MIT Introduction to Deep Learning 6.S191: Lecture 4Deep Generative ModelingLecturer: Ava SoleimanyJanuary 2022For all lectures, slides, and lab materials: ht...
MIT Introduction to Deep Learning 6.S191: Lecture 5Deep Reinforcement LearningLecturer: Alexander AminiJanuary 2022For all lectures, slides, and lab material...
MIT 6.S191 的“Deep Learning New Frontiers”讲座涵盖了一系列主题。讲师Ava Soleimany解释了课程中的各种截止日期,介绍了客座讲座并讨论了当前的研究前沿。深度神经网络在通用逼近定理、泛化、数据质量、不确定性和对抗性攻击方面的局限性也得到解决。此外,还讨论了图卷积神经网络及其在药物发现、城市交通和 COVID-19 预测等不同领域的潜在应用。最后,讲座探讨了自动化机器学习 (autoML) 的主题,以及它如何帮助设计高性能机器学习和深度学习模型。讲师最后强调了人类学习、智能和深度学习模型之间联系和区别的重要性。
00:00:00 在本节中,Ava 提供了一些关于班级 T 恤以及即将到来的实验室和期末项目截止日期的后勤信息。他们还介绍了剩余的客座讲座,并触及了将涵盖的新研究前沿。强化学习实验室已发布,所有三个实验室的截止日期为明天晚上,但提交它们不需要获得及格分数。提交深度学习论文审查或最终项目演示是课程学分所必需的。最终项目提案竞赛要求在今晚午夜前提交组名,深度学习论文报告总结说明。
00:05:00 在本节中,演讲者讨论了为即将到来的课程安排的令人惊叹的客座讲座阵容。演讲嘉宾包括来自新兴自动驾驶汽车公司 Innoviz、Google Research 和 Google Brain、Nvidia 和 Caltech 以及 Rev AI 的代表。演讲者强调了同步参加讲座以确保完全访问内容的重要性。演讲者还回顾了迄今为止课程中涵盖的内容,强调了深度学习算法的力量及其彻底改变一系列领域的潜力。演讲者还强调了神经网络作为强大的函数逼近器的作用,将数据映射到决策,反之亦然。
MIT Introduction to Deep Learning 6.S191: Lecture 6Deep Learning Limitations and New FrontiersLecturer: Ava SoleimanyJanuary 2022For all lectures, slides, an...
MIT Introduction to Deep Learning 6.S191: Lecture 7Deep Learning for Autonomous DrivingLecturer: Omer Keilaf (CEO) and Amir Day (Head of CV & DL)Innoviz Tech...
在此视频中,Rev 的联合创始人解释了公司的使命,即将转录、字幕或副标题媒体的人员与需要转录服务的客户联系起来。 Rev 使用 ASR 为其市场提供动力,每周转录超过 15,000 小时的媒体数据,并为客户提供其 API 以构建他们自己的语音应用程序。 Rev 开发的新的端到端深度学习 ASR 模型与其前身相比在性能上有了显着提升,但仍有改进的空间,因为 ASR 即使是英文也不是完全解决的问题。演讲者讨论了处理数据集中偏差的不同技术、为训练准备音频数据以及解决端到端模型问题的方法。
00:00:00 在本节中,Rev 的联合创始人米格尔描述了公司的历史和使命,即为人工智能驱动的人们创造在家工作的工作岗位。 Rev 是一个双面市场,将转录、字幕或字幕媒体的人员与需要转录服务的客户联系起来。 Rev 拥有超过 170,000 名客户和 60,000 多名员工,每周转录超过 15,000 小时的媒体数据,使其成为自动语音识别 (ASR) 模型训练数据的重要来源。 Rev 使用 ASR 为其市场提供动力,并为客户提供 API 以构建他们自己的语音应用程序。在 Rev 领导深度学习 ASR 项目开发的 Jenny 解释了端到端深度学习 ASR 模型的性能及其开发过程中的建模选择。
00:05:00 在本节中,演讲者讨论了端到端自动语音识别 (ASR) 系统的开发以及 Rev 发布的第二版。他们将他们的新模型与他们的混合版本第一版进行了比较架构,以及几个竞争对手。这些模型使用由人类转录员转录的收入电话基准数据集进行评估,单词错误率作为主要指标。结果表明,新模型在性能上取得了显着改进,尤其是在识别组织名称和人员方面。但是ASR在英语中也不是一个完全解决的问题,仍然有改进的空间,整体错误率还是比较高的。演讲者还介绍了一个开源数据集的结果,该数据集检查了不同国籍的 ASR 系统的偏差。
00:10:00 在本节中,演讲者强调了数据在开发和改进自动语音识别 (ASR) 模型中的重要性。虽然该公司可以访问来自各个英语国家的大量数据,但该团队还面临着处理模型偏差的挑战,例如在苏格兰口音方面表现良好但在爱尔兰口音方面表现不佳。演讲者继续解释了开发用于语音识别的端到端 ASR 模型的过程,强调了必须了解音频信号中的哪些信息与任务相关的困难。该公司的目标是制作一个模型,可以处理提交给 rev.com 的任何音频,使其成为比学术界通常遇到的问题更大、更具挑战性的问题。还讨论了团队决定仅使用逐字记录进行训练,因为这对模型的准确性至关重要。
MIT Introduction to Deep Learning 6.S191: Lecture 8How Rev.com harnesses human-in-the-loop and deep learning to build the world's best English speech recogni...
麻省理工学院 6.S191:AI for Science 视频探讨了使用传统计算方法解决复杂科学问题的挑战以及机器学习加速模拟的需求。演讲者讨论了开发新的 ML 方法的必要性,这些方法可以在不过度拟合离散点的情况下捕获精细尺度的现象,并描述了使用神经运算符和傅里叶变换求解偏微分方程 (PDE) 的各种方法。他们还强调了在频域中保持相位和振幅信息的重要性,以及在使用 PDE 求解反问题时添加物理定律作为损失函数的重要性。此外,还涉及使用 AI 学习符号方程和发现新物理或定律的可能性、不确定性量化的重要性、可扩展性以及扩大 AI 应用程序的工程方面考虑因素。该视频最后鼓励个人使用 AI 从事很酷的项目。
00:00:00 演讲者讨论了 AI 算法的主要设计在具有挑战性的领域中的作用,重点是科学 AI。需要在领域专家和 AI 专家之间建立共同的语言和基础,并且需要为 AI 开发新的科学算法。主要挑战是需要外推或零样本泛化,这意味着对看起来与训练数据非常不同的样本进行预测。这需要考虑领域先验、约束和物理定律,并且不能完全由数据驱动。科学计算对计算的需求呈指数级增长,人工智能可用于帮助应对气候变化和对现实世界进行精细建模。
00:10:00 这部分讨论了开发能够以分辨率不变和考虑对称性的方式捕获连续现象和分子建模的 AI 模型所面临的挑战。他们指出,大型 AI 模型可以帮助捕捉复杂的现象,例如地球的天气,并且数据可用性的增加和更大的超级计算机有助于提高它们的有效性。演讲者还讨论了求解偏微分方程时的算法设计挑战,以及不能直接使用标准神经网络,尤其是在求解一族偏微分方程时,例如流体流动,模型需要了解在不同初始条件下发生的情况。
00:40:00 在视频的这一部分,演讲者讨论了使用 AI 学习符号方程和发现新物理或定律的可能性,尽管这样做可能具有挑战性。他们还谈到了深度学习模型的不确定性量化的重要性、可扩展性以及扩大 AI 应用程序的工程方面考虑因素。此外,他们还提到了其他线程的潜力,例如在 Transformer 模型和生成模型中使用自注意力来进行降噪。总的来说,这次演讲旨在为深度学习打下良好的基础,并鼓励个人使用 AI 从事很酷的项目。
MIT Introduction to Deep Learning 6.S191: Lecture 9AI for ScienceLecturer: Anima Anandkumar (Director of ML Research, NVIDIA)NVIDIA ResearchJanuary 2022For a...
MIT Introduction to Deep Learning 6.S191: Lecture 10Uncertainty in Deep LearningLecturer: Jasper Snoek (Research Scientist, Google Brain)Google BrainJanuary ...
视频“人工智能:人类的最后发明”探讨了与开发人工智能 (AI) 相关的进步和潜在风险。该视频重点介绍了 Google DeepMind 的 AlphaGo,它仅用了 40 天就超越了几个世纪以来人类的战略知识。它深入探讨了弱 AI 和强 AI 之间的差异,并讨论了先进的 AI 如何导致技术奇点,在这种奇点中它不断自我改进并变得比人类聪明数十亿倍。演讲者强调赋予 AI 类似人类的价值观和原则的重要性,并警告不要创建无法控制的系统。该视频最后强调,在开发超级智能 AI 之前,需要仔细考虑其后果。
Artificial Intelligence: Mankind's Last Invention - Technological Singularity ExplainedPart 2: https://www.youtube.com/watch?v=zuXNlTJb_FMFollow me on Instag...
Joelle Pineau 博士讨论了人工智能 (AI) 领域的进步和挑战,强调了机器学习和计算机视觉在推进 AI 研究中的作用。她介绍了自己在使用神经刺激疗法和强化学习优化癫痫治疗方面的工作。 Pineau 博士还讨论了 AI 的社会经济影响,指出 AI 研究人员和特定领域的医学研究人员需要合作以优化治疗。她强调了为下一代准备数学、科学和计算技能教育的重要性,以满足将更多技术观点纳入课程的需求。然而,她也认识到该领域的挑战,例如数据和隐私方面的偏见问题以及与数据有关的安全问题。 Pineau 博士最终认为 AI 具有彻底改变医疗保健和机器人技术等各个领域的潜力,并期待能够在以人为中心的环境中安全有效地运行的自主系统的未来。
她还强调需要将不同的观点带入人工智能 (AI) 领域以扩展技术,并提到诸如麦吉尔的 AI for Good 等计划,这些计划旨在培训年轻女性使用 AI。然而,她指出需要衡量他们的影响并迅速培养更多的人工智能人才,以克服由于缺乏人才而导致的人工智能发展瓶颈。 Pineau 强调拥有一支多元化且训练有素的员工队伍对于推动 AI 领域发展的重要性。视频结束时,Pineau 宣布了即将于 11 月 14 日在 Omni King Edward 酒店举行的由 Michele Lamont 主持的活动。
00:55:00 在本节中,Joelle Pineau 博士讨论了在训练 AI 模型和方法时避免偏差的重要性,例如过度代表代表性不足的数据类型。然而,她也指出,完全避免偏见是困难的,我们应该关注增加技术开发人员的多样性。此外,她认识到该领域的挑战,例如与数据相关的隐私和安全问题,了解分发机器学习算法时共享的内容,以及为强化学习中的代理找出正确的奖励函数。
01:00:00 在本节中,Joelle Pineau 博士谈到了将不同观点引入人工智能 (AI) 领域以扩大技术范围的重要性。她提到了一些举措,例如麦吉尔的 AI for Good 计划,该计划将年轻女性聚集在一起,接受 AI 和实际项目的高级培训。然而,Pineau 指出,在衡量这些举措的影响方面还有很多工作要做,尤其是在将编码引入学校课程的情况下。在 Pineau 看来,AI 发展的瓶颈在于缺乏人才,需要在该领域快速培养更多人才。在如何培训人工智能研究人员的问题上,她承认可用的机会范围很广,并且需要在各个层面做得更好。总的来说,Pineau 强调了拥有一支多元化且训练有素的员工队伍对于推动 AI 领域发展的重要性。
01:05:00 在这一部分中,演讲者通过感谢与会者并宣布即将举行的活动结束活动,活动由哈佛大学的 Seafire 研究员 Michele Lamont 主持。拉蒙特将讨论社会如何变得更具包容性,并将在秋季晚些时候从荷兰国王那里获得伊拉斯谟奖。该活动将于 11 月 14 日在 Omni King Edward 酒店举行
Dr. Joelle Pineau discusses how artificial intelligence is poised to change almost every aspect of our lives, from medical treatments to assistive robots to ...
Developments in artificial intelligence (AI) are leading to fundamental changes in the way we live. Algorithms can already detect Parkinson's disease and can...
MIT 6.S191:深度生成建模
第 4 讲MIT 6.S191:深度生成建模
该视频讨论了如何使用深度生成建模来学习更平滑和完整的输入数据表示,然后可以使用它来生成新图像。DGM 的关键是为每个潜在变量引入概率分布,这允许网络从该潜在分布中采样以生成新数据。
MIT 6.S191:强化学习
第 5 讲MIT 6.S191:强化学习
在此视频中,Alexander Amini 讨论了强化学习的概念以及如何使用它来训练神经网络。他首先解释了强化学习的工作原理以及如何在现实场景中使用它。然后他继续讨论如何训练策略梯度网络。最后,他通过讨论如何在训练循环的每次迭代中更新策略梯度来结束视频。
MIT 6.S191 (2022):深度学习新领域
第 6 讲。麻省理工学院 6.S191 (2022):深度学习新领域
MIT 6.S191 的“Deep Learning New Frontiers”讲座涵盖了一系列主题。讲师Ava Soleimany解释了课程中的各种截止日期,介绍了客座讲座并讨论了当前的研究前沿。深度神经网络在通用逼近定理、泛化、数据质量、不确定性和对抗性攻击方面的局限性也得到解决。此外,还讨论了图卷积神经网络及其在药物发现、城市交通和 COVID-19 预测等不同领域的潜在应用。最后,讲座探讨了自动化机器学习 (autoML) 的主题,以及它如何帮助设计高性能机器学习和深度学习模型。讲师最后强调了人类学习、智能和深度学习模型之间联系和区别的重要性。
MIT 6.S191:用于自动驾驶的激光雷达
第 7 讲MIT 6.S191:用于自动驾驶的 LiDAR
视频“MIT 6.S191:用于自动驾驶的激光雷达”展示了 Innoviz 为自动驾驶汽车开发的激光雷达技术,强调了该系统的可见性和预测能力的好处和重要性。演讲者解释了影响 LiDAR 系统信噪比的各种因素、传感器使用冗余的重要性,以及在检测碰撞相关物体时对高分辨率和计算效率的需求。他们还讨论了深度学习网络在检测和分类对象方面的挑战、不同的 LiDAR 数据表示,以及聚类和深度学习方法在对象检测和边界框精度方面的融合。此外,该视频还谈到了 FMCW 和飞行时间激光雷达之间的权衡。总体而言,讨论强调了 LiDAR 在提高安全性和自动驾驶未来方面的关键作用。
MIT 6.S191:自动语音识别
第 8 讲MIT 6.S191:自动语音识别
在此视频中,Rev 的联合创始人解释了公司的使命,即将转录、字幕或副标题媒体的人员与需要转录服务的客户联系起来。 Rev 使用 ASR 为其市场提供动力,每周转录超过 15,000 小时的媒体数据,并为客户提供其 API 以构建他们自己的语音应用程序。 Rev 开发的新的端到端深度学习 ASR 模型与其前身相比在性能上有了显着提升,但仍有改进的空间,因为 ASR 即使是英文也不是完全解决的问题。演讲者讨论了处理数据集中偏差的不同技术、为训练准备音频数据以及解决端到端模型问题的方法。
麻省理工学院 6.S191:科学人工智能
第 9 讲MIT 6.S191:AI for Science
麻省理工学院 6.S191:AI for Science 视频探讨了使用传统计算方法解决复杂科学问题的挑战以及机器学习加速模拟的需求。演讲者讨论了开发新的 ML 方法的必要性,这些方法可以在不过度拟合离散点的情况下捕获精细尺度的现象,并描述了使用神经运算符和傅里叶变换求解偏微分方程 (PDE) 的各种方法。他们还强调了在频域中保持相位和振幅信息的重要性,以及在使用 PDE 求解反问题时添加物理定律作为损失函数的重要性。此外,还涉及使用 AI 学习符号方程和发现新物理或定律的可能性、不确定性量化的重要性、可扩展性以及扩大 AI 应用程序的工程方面考虑因素。该视频最后鼓励个人使用 AI 从事很酷的项目。
MIT 6.S191:深度学习中的不确定性
第 10 讲MIT 6.S191:深度学习中的不确定性
讲师 Jasper Snoek(Google Brain 研究科学家)讨论了机器学习模型中不确定性和分布外鲁棒性的重要性,特别是在医疗保健、自动驾驶汽车和会话对话系统等领域。通过表达预测中的不确定性,模型可以为医生或人类提供更多信息来做出决定或要求澄清,最终提高系统的整体实用性。演讲者还介绍了模型不确定性和不确定性来源的概念,强调承认自身局限性的模型可能更有用。
人工智能:人类最后的发明
人工智能:人类最后的发明
视频“人工智能:人类的最后发明”探讨了与开发人工智能 (AI) 相关的进步和潜在风险。该视频重点介绍了 Google DeepMind 的 AlphaGo,它仅用了 40 天就超越了几个世纪以来人类的战略知识。它深入探讨了弱 AI 和强 AI 之间的差异,并讨论了先进的 AI 如何导致技术奇点,在这种奇点中它不断自我改进并变得比人类聪明数十亿倍。演讲者强调赋予 AI 类似人类的价值观和原则的重要性,并警告不要创建无法控制的系统。该视频最后强调,在开发超级智能 AI 之前,需要仔细考虑其后果。
加拿大的人工智能革命 - Joelle Pineau 博士
加拿大的人工智能革命 - Joelle Pineau 博士
Joelle Pineau 博士讨论了人工智能 (AI) 领域的进步和挑战,强调了机器学习和计算机视觉在推进 AI 研究中的作用。她介绍了自己在使用神经刺激疗法和强化学习优化癫痫治疗方面的工作。 Pineau 博士还讨论了 AI 的社会经济影响,指出 AI 研究人员和特定领域的医学研究人员需要合作以优化治疗。她强调了为下一代准备数学、科学和计算技能教育的重要性,以满足将更多技术观点纳入课程的需求。然而,她也认识到该领域的挑战,例如数据和隐私方面的偏见问题以及与数据有关的安全问题。 Pineau 博士最终认为 AI 具有彻底改变医疗保健和机器人技术等各个领域的潜力,并期待能够在以人为中心的环境中安全有效地运行的自主系统的未来。
她还强调需要将不同的观点带入人工智能 (AI) 领域以扩展技术,并提到诸如麦吉尔的 AI for Good 等计划,这些计划旨在培训年轻女性使用 AI。然而,她指出需要衡量他们的影响并迅速培养更多的人工智能人才,以克服由于缺乏人才而导致的人工智能发展瓶颈。 Pineau 强调拥有一支多元化且训练有素的员工队伍对于推动 AI 领域发展的重要性。视频结束时,Pineau 宣布了即将于 11 月 14 日在 Omni King Edward 酒店举行的由 Michele Lamont 主持的活动。
人工智能和算法:优点和缺点 | DW纪录片(AI纪录片)
人工智能和算法:优缺点 | DW纪录片(AI纪录片)
该视频讨论了人工智能的优缺点,重点是人工智能的伦理影响。它强调了 AI 如何用于提高效率和公共安全,以及它如何用于侵犯隐私。该视频采访了在谷歌长期任职的员工延斯·雷德玛 (Jens Redma),探讨了人工智能对公司的重要性。