NIPS2016精华大盘点丨吴恩达LeCun等大师的论文PPT都在这儿别劳心去找了_[#第一枪]

2016 NIPS 仍在如火如荼地进行，各位大佬也频繁在会场露面，并时不时的搞个“大新闻”。雷锋网时刻关注着 NIPS 的一切动态，并把大家较为关注的论文以及学术大师的PPT整理出来，方便大家学习和参考。

先打个招呼，正文和文末都有彩蛋。

Yann LeCun

Yann LeCun 最近可谓是学术界的网红，上周先后录了三段视频为大家普及人工智能知识，现在又飞到西班牙见见粉丝，也不忘随时更新下 Facebook。

Yann LeCun 受邀在今年的 NIPS 大会发表演讲。众所周知，深度学习通常分类为：无监督学习、监督学习和增强学习，而 Yann LeCun 在演讲中用“预测学习”替代“无监督学习”。他指出因为预测学习要求机器不仅能在没有人类监督的情况下进行学习，同时能够学习世界的预测模型。

演讲结束后 ，Yann LeCun 做了个总结：

1. 如果有很多标签的数据，监督学习会运行的很好。

2. 但是如果我们想让机器观察世界并如何获取"常识"，上面提到的那一点是远远不够的。

3. 唯一能让机器获得常识的方法就是让它像人和动物一样观察世界。

4. 要变得更聪明，机器需要学习世界的预测模型。

5. 实体RNN是一种新模型，从对事件的文本描述中，对世界的状态作出估测。

6.这是唯一一个能解决20个任务，并且精确度还不错地模型。

7. 通过演示（完成）动作序列进行学习，并在不影响真实世界的情况下模拟出结果。

8. 但他们也需要一个目标导向的学习方式，同时也需要基于模型的增强学习.

9. 预测学习可以在一个以能源为基础的框架内制定，在不确定的情况下开始学习。

10. 在不确定的情况下学习，最有效的办法是对抗训练。

11. 以能源为基础的生成式对抗网络可以合成高分辨率图像。

12. 对抗训练能够训练视频预测系统，并将"模糊预测"的问题列入最小二乘法问题。

看到这里，你一定想仔细瞅瞅 Yann LeCun 的 75 页 PPT 吧？

关注雷锋网旗下的人工智能垂直微信公众号【AI科技评论】，在公众号后台回复关键词“大师”，获取PPT。

Yoshua Bengio 得意门生：Ian Goodfellow

近日，Open AI 科学家 Ian Goodfellow 在 NIPS 2016 大会上分享了生成式对抗网络的研究成果，

Ian Goodfellow 是何许人也，现为 Open AI 科学家，此前为谷歌大脑团队高级研究员，大学期间师从Yoshua Bengio 大神。生成式对抗网络这个词就是他发明的，而且对机器学习领域的研究影响重大。

那么就来听听“生成式对抗网络之父”讲讲生成式对抗网络。

送个菜单，这是Yoshua Bengio 刚刚在 FB 上发的照片，师徒相聚，画面感人。

NIPS大会现场：最左为Yoshua Bengio，最右为 Ian Goodfellow

那么接下来言归正传：

我们知道，机器学习方法可以分为生成方法（generative approach）和判别方法（discriminative approach），所学到的模型分别称为生成式模型（generative model）和判别式模型（discriminative model）。其中近两年来流行的生成式模型主要分为三种方法：

生成对抗网络（GAN：Generative Adversarial Networks）

变分自编码器（VAE: Variational Autoencoders）

自回归模型（Autoregressive models）

小编为大家提供的 PPT 内容着重讲生成对抗网络（GAN：Generative Adversarial Networks），总共 86 页。

关注微信公众账号【AI科技评论】，在微信公众号后台回复关键词“大神”，获取PPT。

吴恩达

昨日在吴恩达教授在 NIPS 上发表演讲：《利用深度学习开发人工智能应用的基本要点（Nuts and Bolts of Building Applications using Deep Learning）》。

吴恩达在现场用黑笔白笔写的板书，已被小编做成了中文版 PPT，就是这么走心。

整理后的：

关注微信公众账号【AI科技评论】，在微信公众号后台回复关键词“吴恩达大礼包”，获取PPT。

2016NIPS 有趣、有料的论文视频 8 个

本文作者魏秀参，已获得这部分内容的引用授权。

前几天 NIPS官网开放了部分录用文章的 Spotlight Videos（

管道防盗刺货源

毛笔书法作品价格

冷热水机组图片