泽南、蛋酱报道

外国教授在B站当UP主上课,网友直呼好家伙:滑铁卢大学《差分隐私》课程上线

Gautam Kamath 的课程,让网友们直呼好家伙。

一位加拿大高校的教授,不远万里来到 B 站,一言不合就扔下了 24 个小时的课程视频,这是一种什么样的精神?1 月 3 日,滑铁卢大学助理教授 Gautam Kamath 亲自上传的《差分隐私》引起了机器学习圈的关注。

活跃用户上亿的哔哩哔哩,又迎来了一名传播硬核知识的 up 主。


是心血来潮还是有备而来?从 Gautam Kamath 教授的个人主页可知,现在他还没有获得大 V 认证,账号看来也是刚刚注册的,只有 2 级。

其中引人关注的当然是他上传的第一门课程《A Course on Differential Privacy (差分隐私)》,总时长高达 24.5 个小时,上传两天便引来不少 5 级、6 级账号点赞。


当然,我们可以确定这个账号是属于 Kamath 本人的,因为他在推特上也进行了一番宣传:

「Be sure to 素质三连走一发,谢谢!」Kamath 在推特上说道。如此标准的 B 站用语,让人不禁怀疑这位教授可能之前从 B 站学到了什么不得了的东西。


不过首先,想要来讲课,注册账号就是一道门槛。Kamath 向人们介绍了自己当 up 主遇到的一些挑战:「对于中国最大的视频网站来说,想要注册个账号真是太难了。你必须要在 100 道题的测试中答对 60 分以上才行,题目是中文的,你也不能复制题目去翻译,还好我的中国朋友帮忙解决了这个问题。」


但是所有的努力终会获得回报,仅在 B 站上传课程一天,Gautam Kamath 就获得了超过一千名粉丝。「相比之下我去年 9 月就在 YouTube 开始了 up 主生涯,至今也只有 460 个订阅。」Kamath 吐槽道。


不知当他听说一些经典老电影的豆瓣评分数比 imdb 上还要多,会作何感想。

这次上传的《差分隐私》课程合集中,包括 19 门课程,共 38 个视频:

课程:https://www.bilibili.com/video/BV1k54y1x7Ua

课程网站及笔记:http://www.gautamkamath.com/CS860-fa2020.html


据介绍,这一课程有关差分数据分析的算法,由于差分隐私的理论本身所限,要想学习这门课程必须在理论和数学的基础上进行。在课程的后半段,还会有相应的实践参考。如果你想学这门课,需要一些本科级别的算法、概率和数学知识。


Kamath 目前是加拿大滑铁卢大学的计算机科学助理教授,同时也是多伦大学向量学院的委任教授。他感兴趣的研究领域是统计和机器学习的原则性方法,重点关注现代数据分析中的常见问题(高维、鲁棒性和隐私性)。

同时,他也是西蒙斯计算理论研究所的微软研究员,负责 2018 年秋季的《数据科学基础》课程,和 2019 年春季的《数据隐私:基础和应用》课程。Kamath 在康奈尔大学完成本科学业,后在麻省理工学院获得硕士和博士学位(隶属于计算机科学与人工智能实验室,CSAIL),导师为 Costis Daskalakis。


在上传的第二个视频中,Gautam Kamath 整了段正式的自我介绍:

视频链接:https://www.bilibili.com/video/BV1yi4y1w7w5

「我打算制作两种视频,一种比较硬核,关于数学、计算机、统计、机器学习的研究;另一种关于学术界生活,比如如何在博士学习中脱颖而出。 

在 B 站,除了鬼畜视频和正版动画,你甚至可以学习,这已不是什么新鲜事了。在 2020 年疫情期间,很多大学都开始了线上课程的教学,这让不少教授决定把自己的课程上传到 B 站上去。去年 3 月,香港中文大学(CUHK)的信息工程系助理教授周博磊还直接在 B 站进行了直播,经过了两个多月的授课,其强化学习纲要》课程宣告完结,至今已获得了超过十万的播放量。


Gautam Kamath 作为外国友人,能够来到国内视频网站「上课」仍属罕见。不过他并非孤身一人,Kamath 表示自己来 B 站的想法受到了卡耐基梅隆大学(CMU)计算机科学教授 Ryan O'Donnell 启发。在 1 月 3 日,O'Donnell 教授也上传了自己的第一个 B 站视频「计算机理论工具包」。

不知在 2021 年,这是否会形成一种新的风潮?

Powered by Froala Editor

入门B站差分隐私加拿大滑铁卢大学
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~