V
主页
京东 11.11 红包
【Proof-Trivial】【Simons Institute】优化与采样中的几何方法 —— 机器学习理论研究者必刷
发布人
About The boot camp is intended to acquaint participants with the key themes of the program and, by means of tutorials, rapidly bring them to similar levels of knowledge regarding both mathematical tools and applications. The tutorials will be split into two types. On the one hand, fundamental tutorials aim at covering the main tools, techniques, and problems in the field. On the other hand, advanced tutorials aim to present more specialized topics that have recently emerged in the field. Fundamental tutorials will be held in the morning in two lectures of 1.5 hours each. Advanced tutorials will last 1.5 hours each and be held in the afternoon. The boot camp is arranged over five days: Day 1: Optimization Day 2: Sampling Day 3: Optimal Transport Day 4: PDEs Day 5: Algebraic Methods Speakers: Ashia Wilson (MIT), Andreas Eberle (University of Bonn), Mikaela Iacobelli (ETH Zurich), Katy Craig (UC Santa Barbara), Avi Wigderson (Institute for Advanced Study), Michael Walter (University of Amsterdam), Suvrit Sra (MIT), Maxim Raginsky (University of Illinois at Urbana-Champaign), Marco Cuturi (Google Brain), José Antonio Carrillo (University of Oxford), Jonathan Leake (TU Berlin), Nicolas Boumal (EPFL), Nisheeth Vishnoi (Yale University), Jan Maas (IST Austria), Dejan Slepčev (Carnegie Mellon University)
打开封面
下载高清视频
观看高清视频
视频下载器
【Proof-Trivial】统计机器学习【理论基础】与【前沿论文】
【Proof-Trivial】【2023年】最优化:建模、算法与理论 【北京大学 文再文】
【Proof-Trivial】里奇流 (Ricci Flow)
【Proof-Trivial】深度神经网络中的【泛化理论】与【归纳偏差】 (Generalization and Inductive Bias)
【Proof-Trivial】贝叶斯优化与贝叶斯学习 (Bayesian Optimization) 持续更新
【Proof-Trivial】什么是【几何代数 ( Geometric Algebra/Clifford Algebra) 】
【Proof-Trivial】哈密顿系统与辛几何
【Proof-Trivial】信息几何讲座 (Information geometry) 【持续更新...】
【Proof-Trivial】弦理论 (String Theory)
【Proof-Trivial】基于梯度的优化方法 —— 随机优化、非凸优化与加速优化 (Michael I. Jordan)
从模型预测控制到强化学习12:DDPG做动态控制-研究生入学培训答疑
【Proof-Trivial】高维概率及其在数据科学中的应用 (HDP) - Roman Vershynin
【Proof-Trivial】随机矩阵理论
【MPC+强化学习】四大名校教授精讲强化学习和模型预测控制18讲!Actor Critic模型预测控制、策略梯度方法
【Proof-Trivial】机器学习与数据科学中的【理论】与【算法】【北京大学 文再文】
【Proof-Trivial】李理论 (Lie theory) —— 李群、李代数、李括号
【Proof-Trivial】深度学习理论讲座 (Deep Learning Theory) 持续更新......
【Proof-Trivial】矩阵流形上的黎曼优化_简介
【Proof-Trivial】几何视角下的非凸优化问题 —— Suvrit Sra (MIT)
如何直观理解PPO算法?博士详解近端策略优化算法原理+公式推导+训练实例!强化学习、深度强化学习、李宏毅
【Proof-Trivial】【IROS‘22】机器人学习、优化与控制中的几何方法
【Proof-Trivial】学习理论顶级会议 COLT 2020 集锦
【Proof-Trivial】现代机器学习中的【统计学习理论】
【Proof-Trivial】统计热力学 北京大学
【Proof-Trivial】深度学习中的【良性过拟合】 (Benign Overfitting)
我愿称李宏毅强化学习为天花板课程!简单易懂!清晰明了的 PPO算法强化学习入门教程!深度强化学习、人工智能、神经网络
【Proof-Trivial】【NPG作者Sham Kakade】策略梯度与自然策略梯度法 (PG & NPG)
【Proof-Trivial】离线批次强化学习 —— 从历史中学到更多 (Offline Batch RL)
【Proof-Trivial】强化学习与策略梯度法 (NPG作者Sham Kakade)
【Proof-Trivial】【讲座】在线学习与在线凸优化 (Online Learning&Convex Optimization)
【Proof-Trivial】Bayesian Learning & MCMC & HMC & SGLD
【Proof-Trivial】改变世界的数学(科学)大师(持续更新...)
【Proof-Trivial】通信与感知 —— 从【压缩采样】到【基于模型的深度学习】
【Proof-Trivial】内点法迭代求解器最近进展 ( Interior Point Methods)
【Proof-Trivial】强化学习中的自适应离散化 (Adaptive Discretization For Reinforcement Learning)
【Proof-Trivial】统计推断 (George Casella)【台北大学-李孟峰】【中文】
【Proof-Trivial】【NeurIPS 2022】3451篇论文地图
【Proof-Trivial】最优传输前沿讲座 (Optimal Transport) (更新中...)
【Proof-Trivial】流形入门 (Manifolds)
【Proof-Trivial】【论坛】强化学习的未来 (The future of reinforcement learning)