データホエール

データホエールの共有

専門家：Kaiming He、MIT、編集者：Machine Heart

専門家から学ぶもう一つの機会！

今年2月からMITの准教授としてキャリアをスタートさせた何凱明氏は、3月7日に壇上に立ち、「人生初の授業」を行った。

最近、Kaiming He の 2 番目のコース「Deep Generative Models」(6.S978) の授業がすでに 9 月初旬に開始されていることがわかりました。

コースリンク👉: https://mit-6s978.github.io/

講師を務める Kaiming He 氏に加え、MIT CSAIL の Computational Design & Fabrication Group の博士課程 4 年生である Minghao Guo 氏がティーチング アシスタントを務めます。

このコースは、コンピューター ビジョンとディープラーニングを教えようとしている人向けの参考として、熱心なネットユーザーから推奨されました。

ネットユーザーは、ResNetの発明者であるKaiming He氏を称賛し、その才能は並外れていると称賛しました。しかし、このコースに必要な前提知識を備えている人はほとんどいないようです。このコースはかなり難易度が高く、しっかりとした学術的背景が求められるようです。

コースの概要

これは、現在深層生成モデルに関する研究を行っている（または行う予定である）大学院生を対象としたワークショップ コースとして説明されています。

このコースでは、深層生成モデルの概念、原理、そして応用について紹介します。主にコンピュータービジョン（画像、動画、幾何学など）と関連分野（ロボット工学、生物学、材料科学など）のシナリオを取り上げます。本コースでは、様々な問題や分野に共通するパラダイムと手法に重点を置きます。

中心となるトピックには、変分オートエンコーダ、自己回帰モデル、生成的敵対ネットワーク、拡散モデルとその応用が含まれ、基本的なフレームワークと最新の研究の最前線の両方を網羅しています。

このコースは、講師による講義、ゲスト講義、そして学生によるセミナーで構成されています。学生によるセミナーでは、論文発表、プレゼンテーション、ディスカッションが行われます。当然のことながら、このコースは学生に非常に高い要求を課しており、例えば以下のようなことが求められます。

• すべての講義とセミナーに出席する
• 2 週間ごとにワークブックを完了します。
• ワークショップで論文を発表する：20分のプレゼンテーション＋10分のディスカッションと質疑応答
• 最終プロジェクトとプロジェクトプレゼンテーションを完了する
• ...

このコースは15週間に分かれており、最初の週と最後の週を除き、毎週2回の授業（リーディングクラス1回と講義1回）が行われます。現在、このコースは10週目で、以下のトピックを扱っています。

• 第1週: 深層生成モデル入門
• 第2週: 画像事前分布と変分オートエンコーダ（VAE）のモデリング
• 第3週: 正規化フローと自己回帰（AR）モデル
• 第4週: 自己回帰（AR）モデル、AR、トークナイザー
• 第5週: ARと拡散、敵対的生成ネットワーク（GAN）
• 第6週: 拡散領域におけるGAN
• 第7週: エネルギーベースモデル、分数マッチング、拡散モデル
• 第8週: 拡散モデル、ノイズ除去後の拡散
• 第9週: 離散拡散、フローマッチング1
• 第10週: ストリームマッチング2、 CMU ジュンヤン・チュー助教授による講義:「生成モデルにおけるデータ所有権の確保」

最初の 5 つの講義の PPT スライドはすでに公開されています。

アドレス: https://mit-6s978.github.io/a...\_intro.pdf

アドレス: https://mit-6s978.github.io/a...\_vae.pdf

アドレス: https://mit-6s978.github.io/a...\_ar.pdf

アドレス: https://mit-6s978.github.io/a...\_gan.pdf

アドレス: https://mit-6s978.github.io/a...\_diffusion.pdf

より詳細なコースプランについては、以下の画像をご覧ください。今後のトピックには、ビデオ、3D、幾何学、ロボティクス、材料科学、タンパク質、生物学といった分野における応用が含まれます。さらに、 OpenAI戦略探究チームのリーダーであるSong Yang氏による「一貫性モデル」と題した講義も行われます。

コースリンク: https://mit-6s978.github.io/

いいね！ （3件のいいね！）↓