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
人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)
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
6,578 consultations récentes
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 26 heures pour terminer
Recommandé : 7 hours/week
Chinois (traditionnel)
Sous-titres : Chinois (traditionnel)
Programme du cours : ce que vous apprendrez dans ce cours
1 heure pour terminer
Concept learning
1 heure pour terminer
6 vidéos (Total 73 min), 2 lectures, 1 quiz
6 vidéos
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2 min
1 exercice pour s'entraîner
Week 1 Quiz10 min
2 heures pour terminer
Computational Learning Theory
2 heures pour terminer
8 vidéos (Total 120 min), 1 quiz
8 vidéos
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 Quiz16 min
2 heures pour terminer
Classification
2 heures pour terminer
6 vidéos (Total 114 min), 1 quiz
6 vidéos
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
3 heures pour terminer
Neural Network and Deep learning
3 heures pour terminer
9 vidéos (Total 151 min), 1 quiz
9 vidéos
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
4.8
1 avis
Meilleurs avis pour 人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)
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.
Enseignant
于天立
副教授 (Associate Professor)電機工程學系 (Department of Electrical Engineering)
À propos de 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. More courses information, the official Facebook Page: https://www.facebook.com/ntumooc2017/
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
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.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2020 Coursera Inc. Tous droits réservés.
