4.6
étoiles
36 évaluations

于天立

7 193 déjà inscrits

Offert par

人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)

Université nationale de Taïwan

À propos de ce cours

5 604 consultations récentes

本課程第二部分著重在和人工智慧密不可分的機器學習。課程內容包含了機器學習基礎理論（包含 1990 年代發展的VC理論）、分類器（包含決策樹及支援向量機）、神經網路（包含深度學習）及增強式學習（包含深度增強式學習。
此部份技術包含最早追溯至 1950 年代直到最近 2016 年附近的最新發展。此課程從基礎理論開始，簡介了各機器學習主流技法以及從淺層學習架構演變到最近深度架構的轉換。

本課程之核心目標為：
（一）使同學對人工智慧相關的機器學習技術有基礎概念
（二）同學能夠理解機器學習基礎理論、分類器、神經網路、增強式學習
（三）同學能將相關技術應用到自己的問題上

修課前，基礎背景知識：
需要的先備知識：計算機概論
建議的先備知識：資料結構與演算法

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Niveau intermédiaire

Approx. 12 heures pour terminer

Chinois (traditionnel)

Sous-titres : Chinois (traditionnel)

Enseignant

于天立

副教授 (Associate Professor)

電機工程學系 (Department of Electrical Engineering)

22 978 étudiants

2 cours

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Niveau intermédiaire

Approx. 12 heures pour terminer

Chinois (traditionnel)

Sous-titres : Chinois (traditionnel)

Offert par

Université nationale de Taïwan

We firmly believe that open access to learning is a powerful socioeconomic equalizer. NTU is especially delighted to join other world-class universities on Coursera and to offer quality university courses to the Chinese-speaking population. We hope to transform the rich rewards of learning from a limited commodity to an experience available to all.

Programme du cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

2 heures pour terminer

Concept learning

2 heures pour terminer

6 vidéos (Total 73 min), 2 lectures, 1 quiz

6 vidéos

1-1 Brief Introduction to Machine Learning, Learning from Example8 min

1-2 Hypotheses ,Relation between Instance Space and Hypotheses14 min

1-3 The Find-S Algorithm10 min

1-4 Version Space and The List-Then Eliminate Algorithm12 min

1-5 The Candidate Elimination Algorithm15 min

1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning12 min

2 lectures

NTU MOOC 課程問題詢問與回報機制1 min

課程投影片開放下載公告1 min

1 exercice pour s'entraîner

Week 1 Quiz30 min

Semaine

Semaine 2

2 heures pour terminer

Computational Learning Theory

2 heures pour terminer

8 vidéos (Total 120 min)

8 vidéos

2-1 Introduction to Computational Learning Theory, Setting of Sample Complexity20 min

2-2 Setting 3, PAC Learnable10 min

2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples19 min

2-4 Shatter, Dichotomy, VC dimension14 min

2-5 Some examples and discussion about VC dimension14 min

2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms14 min

2-7 Optimal Mistake Bound13 min

2-8 The Weighted-Majority Algorithm and its Bound11 min

1 exercice pour s'entraîner

Week 2 Quiz30 min

Semaine

Semaine 3

2 heures pour terminer

Classification

2 heures pour terminer

6 vidéos (Total 114 min)

6 vidéos

3-1 Decision Trees and its Hypothesis Space17 min

3-2 Learning Decision Tree, Information19 min

3-3 Generalization and Overfitting, Kai Square Pruning,Rule Post-Pruning22 min

3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison19 min

3-5 Ensemble: Embedding, Bagging and Boosting13 min

3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick21 min

1 exercice pour s'entraîner

Week 3 Quiz24 min

Semaine

Semaine 4

3 heures pour terminer

Neural Network and Deep learning

3 heures pour terminer

9 vidéos (Total 151 min)

9 vidéos

4-1 Introduction to Neural Network22 min

4-2 Single-Layer Network and Perceptron Learning Rule15 min

4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN10 min

4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure23 min

4-5 Deep Learning: Convolutional Neural Networks17 min

4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout, Residual Net18 min

4-7 Recurrent Networks, Long Short-Term Memory (LSTM), Neural Turing Machine, Memory-Augmented Neural Networks (MANN)15 min

4-8 Autoencoder: Denoising Autoencoder, Stacked Autoencoder and Variational Autoencoder12 min

4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications16 min

1 exercice pour s'entraîner

Week 4 Quiz16 min

Avis

4.6

3 avis

5 stars
75,67 %
4 stars
13,51 %
3 stars
8,10 %
1 star
2,70 %

Meilleurs avis pour 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

par JC6 août 2019

整體上, 是值得推薦的入門課程, 把machine learning的基本課程與熱門的topics提出來講. 習題的內容算簡單, 大部份在檢驗觀念.

Voir tous les avis

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si j'achète le Certificat ?
Lorsque vous achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Is financial aid available?
Oui, Coursera fournit une Aide Financière aux étudiants n'ayant pas les moyens d'acquitter les frais. Pour en faire la demande, cliquez sur le lien Aide Financière situé sous le bouton S'inscrire ci-contre à gauche. Vous serez invité(e) à déposer une demande et vous serez averti(e) si elle est acceptée. En savoir plus.
Puis-je obtenir des crédits universitaires si je réussis le Cours ?
Ce Cours n'est pas associé à des crédits universitaires, mais certaines universités peuvent décider d'accepter des Certificats de Cours pour des crédits. Vérifiez-le auprès de votre établissement pour en savoir plus. Les Diplômes en ligne et les Certificats Mastertrack™ sur Coursera apportent la possibilité d'obtenir des crédits universitaires.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.

人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)

人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)

À propos de ce cours

Enseignant

于天立

Offert par

Université nationale de Taïwan

Programme du cours : ce que vous apprendrez dans ce cours

Semaine 1

Concept learning

Semaine 2

Computational Learning Theory

Semaine 3

Classification

Semaine 4

Neural Network and Deep learning

Semaine 5

Reinforcement learning

Avis

Meilleurs avis pour 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Foire Aux Questions

Commencez ou faites progresser votre carrière

Parcourez les sujets populaires

Améliorez les compétences de votre équipe

Obtenez un diplôme ou un certificat en ligne

Coursera

Communauté

Plus

人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)

人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)

À propos de ce cours

Enseignant

于天立

Offert par

Université nationale de Taïwan

Programme du cours : ce que vous apprendrez dans ce cours

Semaine 1

Concept learning

Semaine 2

Computational Learning Theory

Semaine 3

Classification

Semaine 4

Neural Network and Deep learning

Semaine 5

Reinforcement learning

Avis

Meilleurs avis pour 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Foire Aux Questions

Coursera Footer

Commencez ou faites progresser votre carrière

Parcourez les sujets populaires

Améliorez les compétences de votre équipe

Obtenez un diplôme ou un certificat en ligne

Coursera

Communauté

Plus