华盛顿大学《生成模型》2020秋季课程完结，课件、讲义全部放出_华为云大赛技术圈

这门课聚焦生成建模技术的理论和数学基础，探讨多种生成模型技术。

在概率统计理论中，生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它能够给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。

生成模型是最近较为活跃的研究领域，从事机器学习研究的人有必要了解这一研究主题。去年秋季，华盛顿大学开设了一门主题为「生成模型」的课程 CSE 599，探讨了多种生成模型相关技术。

课程地址：https://courses.cs.washington.edu/courses/cse599i/20au/

这门课与当前的生成模型研究紧密相关，并提供了阅读该领域近期进展相关论文所需的背景知识。课程聚焦生成建模技术的理论和数学基础，学生在开始本课程前最好了解机器学习领域的基础概念。

该课程于 2020 年 9 月 30 日开始，12 月 7 日结课。目前已放出课程讲义和 slide，每节课还提供额外的补充阅读材料。

CSE 599 课程表部分截图。

课程主题

这门课程涉及以下主题：

自回归模型
NADE 框架
RNN/LSTM 和 Transformer
变分自编码器（VAE）
高斯 VAE
ConvNet 与 ResNet
后验崩溃
离散式 VAE
生成对抗网络
f-GAN
Wasserstein GAN
Generative Sinkhorn Modeling
生成流
自回归流
可逆网络
神经常微分方程
基于能量的模型
Stein 方法与评分匹配
郎格文动力学与扩散

具备类似主题的课程还有斯坦福大学开设的 CS236（深度生成模型）课程和加州大学伯克利分校的 CS294-158（深度无监督学习）课程。感兴趣的读者可以多了解这两门课。

讲师简介

课程主讲人 John Thickstun 本科毕业于布朗大学应用数学专业，目前在华盛顿大学计算机科学与工程系攻读博士学位。目前的研究兴趣包括生成模型、采样、时序，及其在音乐领域的应用，多篇论文发表在 EMNLP、ICML、ISMIR、ICLR 等学术会议上。

个人主页：http://homes.cs.washington.edu/~thickstn/

本文分享：https://www.jiqizhixin.com/articles/2021-01-29

[技术干货] 华盛顿大学《生成模型》2020秋季课程完结，课件、讲义全部放出

这门课聚焦生成建模技术的理论和数学基础，探讨多种生成模型技术。

课程地址：https://courses.cs.washington.edu/courses/cse599i/20au/

该课程于 2020 年 9 月 30 日开始，12 月 7 日结课。目前已放出课程讲义和 slide，每节课还提供额外的补充阅读材料。

CSE 599 课程表部分截图。

课程主题

这门课程涉及以下主题：

自回归模型
NADE 框架
RNN/LSTM 和 Transformer
变分自编码器（VAE）
高斯 VAE
ConvNet 与 ResNet
后验崩溃
离散式 VAE
生成对抗网络
f-GAN
Wasserstein GAN
Generative Sinkhorn Modeling
生成流
自回归流
可逆网络
神经常微分方程
基于能量的模型
Stein 方法与评分匹配
郎格文动力学与扩散

讲师简介

个人主页：http://homes.cs.washington.edu/~thickstn/

本文分享：https://www.jiqizhixin.com/articles/2021-01-29

温馨提示

华盛顿大学《生成模型》2020秋季课程完结，课件、讲义全部放出

回复 (0)

分享文章到朋友圈

7*24

0元

专业服务

退订

建议反馈

小云对小云角色：成员话题：94 发消息	发表于2021年01月30日 11:53:02 阅读690回复0 直达本楼层的链接楼主阅读模式正序浏览只看该作者 [技术干货] 华盛顿大学《生成模型》2020秋季课程完结，课件、讲义全部放出这门课聚焦生成建模技术的理论和数学基础，探讨多种生成模型技术。在概率统计理论中，生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它能够给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。生成模型是最近较为活跃的研究领域，从事机器学习研究的人有必要了解这一研究主题。去年秋季，华盛顿大学开设了一门主题为「生成模型」的课程 CSE 599，探讨了多种生成模型相关技术。课程地址：https://courses.cs.washington.edu/courses/cse599i/20au/ 这门课与当前的生成模型研究紧密相关，并提供了阅读该领域近期进展相关论文所需的背景知识。课程聚焦生成建模技术的理论和数学基础，学生在开始本课程前最好了解机器学习领域的基础概念。该课程于 2020 年 9 月 30 日开始，12 月 7 日结课。目前已放出课程讲义和 slide，每节课还提供额外的补充阅读材料。 CSE 599 课程表部分截图。课程主题这门课程涉及以下主题：自回归模型 NADE 框架 RNN/LSTM 和 Transformer 变分自编码器（VAE）高斯 VAE ConvNet 与 ResNet 后验崩溃离散式 VAE 生成对抗网络 f-GAN Wasserstein GAN Generative Sinkhorn Modeling 生成流自回归流可逆网络神经常微分方程基于能量的模型 Stein 方法与评分匹配郎格文动力学与扩散具备类似主题的课程还有斯坦福大学开设的 CS236（深度生成模型）课程和加州大学伯克利分校的 CS294-158（深度无监督学习）课程。感兴趣的读者可以多了解这两门课。讲师简介课程主讲人 John Thickstun 本科毕业于布朗大学应用数学专业，目前在华盛顿大学计算机科学与工程系攻读博士学位。目前的研究兴趣包括生成模型、采样、时序，及其在音乐领域的应用，多篇论文发表在 EMNLP、ICML、ISMIR、ICLR 等学术会议上。个人主页：http://homes.cs.washington.edu/~thickstn/ 本文分享：https://www.jiqizhixin.com/articles/2021-01-29

	点赞0 举报分享分享文章到朋友圈分享文章到微博复制链接到剪贴板