第三代人工智能技术基础——从可微分编程到因果推理

第1章 大数据驱动的人工智能 - 1. AI总览：新进展与应用领域 - 2. AI发展历史-1 - 3. AI发展历史-2 - 4. AI发展历史-3 第2章 自动微分与PyTorch编程 - 1. 自动微分 - 2. PyTorch介绍-1 - 3. PyTorch介绍-2 - 4. 第一个机器学习程序案例 - 5. 优化问题 第3章 机器学习基础 - 1. 机器学习简介 - 2. 回归分析-1 - 3. 回归分析-2 - 4. 二类任务-1 - 5. 二类任务-2 第4章 常见神经网络架构 - 1. 前馈神经网络-1 - 1. 前馈神经网络-2 - 2. 神经网络预测案例-1 - 3. 神经网络预测案例-2 - 4. 神经网络诊断 - 5. 神经网络用于分类任务 第5章 神经微分方程 - 1. 卷积神经网络-1 - 1. 卷积神经网络-2 - 2. 循环神经网络 第6章 表示学习与迁移学习 - 1. 表示学习 - 2. Word2Vec -1 - 3. Word2Vec -2 - 4. Word2Vec -3 - 5. 迁移学习 第7章 生成模型概览 - 1. 背景 - 2. 残差网络 - 3. NeuralODE基本介绍 - 4. NeuralODE解决监督学习问题-1 - 5. NeuralODE解决监督学习问题-2 - 6. NeuralODE解决时间序列预测问题 第8章 从Transformer到ChatGPT - 1. 什么是AIGC - 2. 生成模型 - 3. GAN -1 - 4. GAN -2 - 5. GAN -3 - 6. 更多的GAN模型 第9章 图神经网络 - 1. VAE-1 - 1. VAE-2 - 2. Flow-based models - 3. Diffusion models -1 - 4. Diffusion models -2 第10章 复杂系统自动建模 - 1. 背景 - 2. Tranformer -1 - 3. Tranformer -2 - 4. 预训练模型 - 5. ChatGPT 第11章 因果科学基础 - 1. 背景 - 2. 网络嵌入-1 - 3. 网络嵌入-2 - 4. 图卷积 - 5. 图注意力网络 第12章 因果机器学习 - 1. 动态图自编码器-1 - 1. 动态图自编码器-2 - 2. 网络补全-1 - 3. 网络补全-2 - 4. 图生成 第13章 基于世界模型的强化学习 - 1. 复杂系统及其建模方法 - 2. 动力学学习 - 3. 网络重构 - 4. 多尺度建模 - 5. 模拟、优化与控制 第14章 因果推理原理 - 1. 为什么研究因果 - 2. 相关：贝叶斯网络 - 3. 干预：因果图-1 - 4. 干预：因果图-2 - 5. 反事实：结构因果图 第15章 因果表示学习 - 1. 背景和基础-1 - 2. 背景和基础-2 - 3. 因果发现 - 4. 因果表示学习 - 5. 因果涌现和神经信息压缩机-1 - 6. 因果涌现和神经信息压缩机-2 第16章 因果与强化学习 - 1. 基础知识 - 2. AlphaGo - 3. 深度Q-Learning算法 - 4. 强化学习与因果 - 5. 世界模型