4.6
звезд
Оценки: 48

于天立

8 613 уже зарегистрированы

от партнера

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

Национальный университет Тайваня

Об этом курсе

Недавно просмотрено: 3 378

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

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Средний уровень

Прибл. 12 часов на выполнение

Китайский (традиционное письмо)

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Средний уровень

Прибл. 12 часов на выполнение

Китайский (традиционное письмо)

Преподаватели

Оценка преподавателя

4,81/5 (оценок: 12)

于天立

副教授 (Associate Professor)

電機工程學系 (Department of Electrical Engineering)

26 421 учащийся

2 курса

от партнера

Национальный университет Тайваня

Программа курса: что вы изучите

Неделя

Неделя 1

2 ч. на завершение

Concept learning

2 ч. на завершение

6 видео ((всего 73 мин.)), 2 материалов для самостоятельного изучения, 1 тест

6 видео

1-1 Brief Introduction to Machine Learning, Learning from Example8мин

1-2 Hypotheses ,Relation between Instance Space and Hypotheses14мин

1-3 The Find-S Algorithm10мин

1-4 Version Space and The List-Then Eliminate Algorithm12мин

1-5 The Candidate Elimination Algorithm15мин

1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning12мин

2 материала для самостоятельного изучения

NTU MOOC 課程問題詢問與回報機制1мин

課程投影片開放下載公告1мин

1 практическое упражнение

Week 1 Quiz30мин

Неделя

Неделя 2

2 ч. на завершение

Computational Learning Theory

2 ч. на завершение

8 видео ((всего 120 мин.))

8 видео

2-1 Introduction to Computational Learning Theory, Setting of Sample Complexity20мин

2-2 Setting 3, PAC Learnable10мин

2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples19мин

2-4 Shatter, Dichotomy, VC dimension14мин

2-5 Some examples and discussion about VC dimension14мин

2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms14мин

2-7 Optimal Mistake Bound13мин

2-8 The Weighted-Majority Algorithm and its Bound11мин

1 практическое упражнение

Week 2 Quiz30мин

Неделя

Неделя 3

2 ч. на завершение

Classification

2 ч. на завершение

6 видео ((всего 114 мин.))

6 видео

3-1 Decision Trees and its Hypothesis Space17мин

3-2 Learning Decision Tree, Information19мин

3-3 Generalization and Overfitting, Kai Square Pruning,Rule Post-Pruning22мин

3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison19мин

3-5 Ensemble: Embedding, Bagging and Boosting13мин

3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick21мин

1 практическое упражнение

Week 3 Quiz24мин

Неделя

Неделя 4

3 ч. на завершение

Neural Network and Deep learning

3 ч. на завершение

9 видео ((всего 151 мин.))

9 видео

4-1 Introduction to Neural Network22мин

4-2 Single-Layer Network and Perceptron Learning Rule15мин

4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN10мин

4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure23мин

4-5 Deep Learning: Convolutional Neural Networks17мин

4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout, Residual Net18мин

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

4-8 Autoencoder: Denoising Autoencoder, Stacked Autoencoder and Variational Autoencoder12мин

4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications16мин

1 практическое упражнение

Week 4 Quiz16мин

Рецензии

4.6

Рецензии: 7

5 stars
77,08 %
4 stars
14,58 %
3 stars
6,25 %
1 star
2,08 %

Лучшие отзывы о курсе 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

от партнера EC6 авг. 2019 г.

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.

от партнера KJ3 янв. 2022 г.

Professor Ding's teaching is conscientious and the lectures are clearly explained

Посмотреть все отзывы

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оплатив сертификацию?
Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Можно ли получить финансовую помощь?
Да. В некоторых программах обучения вы можете подать заявку на получение финансовой помощи или стипендии, если не можете оплатить регистрационный взнос. Если для выбранной вами программы предлагается такая возможность, вы увидите ссылку для подачи заявки на странице описания.

Остались вопросы? Посетите Центр поддержки учащихся.

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)

Об этом курсе

Преподаватели

于天立

от партнера

Национальный университет Тайваня

Программа курса: что вы изучите

Concept learning

Computational Learning Theory

Classification

Neural Network and Deep learning

Reinforcement learning

Рецензии

Лучшие отзывы о курсе 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Часто задаваемые вопросы

Начните карьеру или продвиньтесь по карьерной лестнице

Популярные курсы и сертификации

Популярные коллекции и статьи

Получите диплом или сертификат онлайн

Coursera

Сообщество

Еще

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)

Об этом курсе

Преподаватели

于天立

от партнера

Национальный университет Тайваня

Программа курса: что вы изучите

Concept learning

Computational Learning Theory

Classification

Neural Network and Deep learning

Reinforcement learning

Рецензии

Лучшие отзывы о курсе 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Часто задаваемые вопросы

Coursera Footer

Начните карьеру или продвиньтесь по карьерной лестнице

Популярные курсы и сертификации

Популярные коллекции и статьи

Получите диплом или сертификат онлайн

Coursera

Сообщество

Еще