TA的每日心情 | 开心
13 小时前 |
|---|
签到天数: 2818 天 连续签到: 37 天 [LV.Master]伴坛终老
- 注册时间
- 2012-9-3
- 最后登录
- 2025-4-23
管理员
2012年到2024年，感谢各位会员朋友的支持！
      
|
台湾的课程当然是繁体字的啦
機器學習旨在讓電腦能由資料中累積的經驗來自我進步。本課程將介紹各領域中的機器學習使用者都應該知道的基礎演算法、理論及實務工具。
課程概述
歡迎大家！這門課將採用英文投影片配合華文的教學講解，我們希望能藉這次華文教學的機會，將機器學習介紹給更多華人世界的入門者。課程中使用的英文投影片不會使用到艱深的英文，如果你能了解以下兩段的課程簡介，你應該也可以了解課程所使用的英文投影片。
授課大綱
以下的每個小項目對應到約一小時的線上課程
When Can Machines Learn? [何時可以使用機器學習]
-- The Learning Problem [機器學習問題]
-- Learning to Answer Yes/No [二元分類]
-- Types of Learning [各式機器學習問題]
-- Feasibility of Learning [機器學習的可行性]
Why Can Machines Learn? [為什麼機器可以學習]
-- Training versus Testing [訓練與測試]
-- Theory of Generalization [舉一反三的一般化理論]
-- The VC Dimension [VC 維度]
-- Noise and Error [雜訊時錯誤]
How Can Machines Learn? [機器可以怎麼樣學習]
-- Linear Regression [線性迴歸]
-- Linear `Soft" Classification [軟性的線性分類]
-- Linear Classification beyond Yes/No [二元分類以外的分類問題]
-- Nonlinear Transformation [非線性轉換]
How Can Machines Learn Better? [機器可以怎麼樣學得更好]
-- Hazard of Overfitting [過度訓練的危險]
-- Preventing Overfitting I: Regularization [避免過度訓練一：控制調適]
-- Preventing Overfitting II: Validation [避免過度訓練二：自我檢測]
-- Three Learning Principles [三個機器學習的重要原則]
先修知識
我們希望修課的同學對於基本的微分、向量與矩陣運算、及機率的工具有所了解。有些作業會需要寫作或執行一些程式，所以我們建議修課的同學能在你所熟悉的平台上有一些程式寫作的背景。
參考資料
雖然這門課的錄影課程及投影片應該足以幫大家了解所有的內容，我們推薦有興趣的同學們閱讀 Learning from Data 一書，該書包含了本課程中所介紹的大部份的內容。
授課形式
這門課主要以線上錄影課程及其中的小測驗組成，每兩週我們會有另外的作業練習。
常見問題
我在完成課程後，是否能得到「修業合格證明」?
是的，當同學成功地達成課程的基本要求後，即可收到由授課老師簽署的「修業合格證明」。
修習此課需要哪些設備/資源？
在有些作業的問題中，你需要在某些計算平台上執行程式，而你可以使用任何你所愛的程式語言。如果你正確的撰寫演算法，在一般的個人電腦上，每次作業所需的「機器時間」應該不到一天。所以你不需要超快的運算資源。
我在此課程可以有什麼收穫？
對機器學習基礎有堅固的了解！
0开课宣传
第7讲：VC维
第4讲：可行性研究学习
第8讲：噪声和错误
第9讲：线性回归
第3讲：学习类型
第14讲：正则
第16讲：学习三原则
第1讲：学习问题
第2讲：学习回答是否
第6讲：泛化理论
第11讲：线性模型的分类
第5讲：培训与测试
第13讲：过拟合的危害
第12讲：非线性变换
第10讲：Logistic回归
第15讲：验证
下载地址：
|
|
[复制链接]
