#Stanford CS330 2019秋# #多任务学习# #元学习#
CS 330: Deep Multi-Task and Meta Learning
深度学习在图像分类、语音识别、游戏等监督学习和强化学习问题上取得了显著的成功，但这些模型在很大程度上是针对单一任务进行训练的专业化模型。
本课程将涉及到有多个任务需要解决的环境，研究如何利用多个任务产生的结构进行更高效的学习。包括：
1、目标条件下的强化学习技术，利用提供的目标空间结构，显著加快学习许多任务的速度。
2、元学习方法，旨在学习高效的学习算法，可以快速学习新任务。
3、curriculum and lifelong learning,需要学习一连串的任务，利用它们的共享结构来实现知识的迁移。
这是一门研究生级别的课程。课程结束时，你将能够理解和实现最先进的多任务学习和元学习算法。
课程讲义在【我爱计算机视觉】公众号后台回复{CS330}获取
课程大纲：
-
Course introduction, problem definitions, applications
-
Supervised multi-task learning, black-box meta-learning
-
Optimization-based meta-learning
-
Few-shot learning via metric learning
-
Bayesian meta-learning
-
Renforcement learning primer, multi-task RL, goal-conditioned RL
-
Meta-RL, learning to explore
-
Model-based RL for multi-task learning, meta model-based RL
-
Lifelong learning: problem statement, forward & backward transfer
-
Frontiers: Memorization, unsupervised meta-learning, open problems
视频已传到B站【我爱计算机视觉】
B站地址：
https://www.bilibili.com/video/BV1zZ4y1M76Z/
课程主页：
https://cs330.stanford.edu/
END
备注：CV
学习交流群
扫码备注拉你私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
网站:www.52cv.net
在看，让更多人看到