YouTube: Stanford Online
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
Stanford выложил лекцию по обучению LLM: 16 глав от предобучения до GRPO
Третья лекция CME295 в Стэнфорде проводит через весь стек обучения LLM: предобучение, SFT, LoRA, RLHF, DPO, GRPO и on-policy distillation за 16 глав.
Stanford выложил лекцию Марко Павоне о планировании движения роботов на графах
Stanford Online опубликовал лекцию 6 курса AA274A: поиск пути на графах читает Марко Павоне, исследователь автономных авто в NVIDIA. Запись 2019 года, учебник открыт бесплатно.
Stanford Online выложил лекцию 12 курса AA274A: классическое зрение для роботов
Лекция Марко Павоне из курса Principles of Robotic Autonomy 2019 года разбирает извлечение информации и классическое визуальное распознавание. Учебник открыт, программа обновлена.
Стэнфорд разбирает сетчатку как интерпретируемую нейросеть в курсе EE292R
Стивен Баккус на курсе EE292R показывает, как механистическая интерпретируемость объясняет вычисления в сетчатке: от 100 млн фоторецепторов до 1 млн волокон нерва.
Stanford выложил лекцию Павоне по стереозрению: курс AA274A и бесплатный учебник
Stanford Online опубликовал Lecture 10 курса AA274A 2019 года о стереозрении. Читает Марко Павоне из Stanford и NVIDIA, к курсу прилагается бесплатный учебник PoRA.
Stanford Online: ИИ оценит эффект и стоимость, но приоритет выберет человек
Anand Subramani из Стэнфорда и CPO Laurel Jiaona Zhang сводят приоритизацию роадмапа к трём шагам: ИИ помогает с двумя, а третий остаётся за человеком.
Stanford Online выложил лекцию 8 курса AA274A о сенсорах роботов и компьютерном зрении
Stanford Online опубликовал лекцию Марко Павоне из курса 2019 года: сенсоры роботов и введение в компьютерное зрение. Учебник Principles of Robot Autonomy бесплатный.
Stanford выложил лекцию Павоне о планировании движения: RRT, PRM и FMT*
Седьмая лекция курса AA274A 2019 года открыта на YouTube: Марко Павоне разбирает сэмплинговое планирование движения, от PRM и RRT до асимптотически оптимального RRT*.