от партнера

機器學習技法 (Методы машинного обучения)

Национальный университет Тайваня

Об этом курсе

Недавно просмотрено: 11,353

The course extends the fundamental tools in "Machine Learning Foundations" to powerful and practical models by three directions, which includes embedding numerous features, combining predictive features, and distilling hidden features. [這門課將先前「機器學習基石」課程中所學的基礎工具往三個方向延伸為強大而實用的工具。這三個方向包括嵌入大量的特徵、融合預測性的特徵、與萃取潛藏的特徵。]

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 19 часов на выполнение

Китайский (традиционное письмо)

Субтитры: Китайский (традиционное письмо)

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 19 часов на выполнение

Китайский (традиционное письмо)

Субтитры: Китайский (традиционное письмо)

Преподаватели

林軒田

教授 (Professor)

資訊工程學系 (Department of Computer Science and Information Engineering)

32,742 учащихся

3 курса

от партнера

Национальный университет Тайваня

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/

Программа курса: что вы изучите

Неделя

Неделя 1

2 ч. на завершение

第一講：Linear Support Vector Machine

more robust linear classification solvable with quadratic programming

2 ч. на завершение

5 видео ((всего 67 мин.)), 4 материалов для самостоятельного изучения

5 видео

Course Introduction4мин

Large-Margin Separating Hyperplane14мин

Standard Large-Margin Problem19мин

Support Vector Machine15мин

Reasons behind Large-Margin Hyperplane13мин

4 материала для самостоятельного изучения

NTU MOOC 課程問題詢問與回報機制5мин

課程大綱10мин

延伸閱讀10мин

課程形式及評分標準10мин

Неделя

Неделя 2

1 ч. на завершение

第二講：Dual Support Vector Machine

another QP form of SVM with valuable geometric messages and almost no dependence on the dimension of transformation

1 ч. на завершение

4 видео ((всего 60 мин.))

4 видео

Motivation of Dual SVM15мин

Lagrange Dual SVM18мин

Solving Dual SVM14мин

Messages behind Dual SVM11мин

Неделя

Неделя 3

1 ч. на завершение

第三講：Kernel Support Vector Machine

kernel as a shortcut to (transform + inner product): allowing a spectrum of models ranging from simple linear ones to infinite dimensional ones with margin control

1 ч. на завершение

4 видео ((всего 61 мин.))

4 видео

Kernel Trick20мин

Polynomial Kernel12мин

Gaussian Kernel14мин

Comparison of Kernels13мин

Неделя

Неделя 4

1 ч. на завершение

第四講：Soft-Margin Support Vector Machine

a new primal formulation that allows some penalized margin violations, which is equivalent to a dual formulation with upper-bounded variables

1 ч. на завершение

4 видео ((всего 46 мин.))

4 видео

Motivation and Primal Problem14мин

Dual Problem7мин

Messages behind Soft-Margin SVM13мин

Model Selection9мин

1 практическое упражнение

作業一40мин

Неделя

Неделя 5

1 ч. на завершение

第五講：Kernel Logistic Regression

soft-classification by an SVM-like sparse model using two-level learning, or by a "kernelized" logistic regression model using representer theorem

1 ч. на завершение

4 видео ((всего 50 мин.))

4 видео

Soft-Margin SVM as Regularized Model13мин

SVM versus Logistic Regression10мин

SVM for Soft Binary Classification9мин

Kernel Logistic Regression16мин

Неделя

Неделя 6

1 ч. на завершение

第六講：Support Vector Regression

kernel ridge regression via ridge regression + representer theorem, or support vector regression via regularized tube error + Lagrange dual

1 ч. на завершение

4 видео ((всего 58 мин.))

4 видео

Kernel Ridge Regression17мин

Support Vector Regression Primal18мин

Support Vector Regression Dual13мин

Summary of Kernel Models9мин

Неделя

Неделя 7

1 ч. на завершение

第七講：Blending and Bagging

blending known diverse hypotheses uniformly, linearly, or even non-linearly; obtaining diverse hypotheses from bootstrapped data

1 ч. на завершение

4 видео ((всего 68 мин.))

4 видео

Motivation of Aggregation18мин

Uniform Blending20мин

Linear and Any Blending16мин

Bagging (Bootstrap Aggregation)11мин

Неделя

Неделя 8

2 ч. на завершение

第八講：Adaptive Boosting

"optimal" re-weighting for diverse hypotheses and adaptive linear aggregation to boost weak algorithms

2 ч. на завершение

4 видео ((всего 52 мин.))

4 видео

Motivation of Boosting12мин

Diversity by Re-weighting14мин

Adaptive Boosting Algorithm13мин

Adaptive Boosting in Action11мин

1 практическое упражнение

作業二40мин

Неделя

Неделя 9

1 ч. на завершение

第九講：Decision Tree

recursive branching (purification) for conditional aggregation of simple hypotheses

1 ч. на завершение

4 видео ((всего 55 мин.))

4 видео

Decision Tree Hypothesis17мин

Decision Tree Algorithm15мин

Decision Tree Heuristics in C&RT13мин

Decision Tree in Action8мин

Неделя

Неделя 10

1 ч. на завершение

第十講：Random Forest

bootstrap aggregation of randomized decision trees with automatic validation

1 ч. на завершение

4 видео ((всего 59 мин.))

4 видео

Random Forest Algorithm13мин

Out-Of-Bag Estimate12мин

Feature Selection19мин

Random Forest in Action13мин

Неделя

Неделя 11

1 ч. на завершение

第十一講：Gradient Boosted Decision Tree

aggregating trees from functional + steepest gradient descent subject to any error measure

1 ч. на завершение

4 видео ((всего 72 мин.))

4 видео

Adaptive Boosted Decision Tree15мин

Optimization View of AdaBoost27мин

Gradient Boosting18мин

Summary of Aggregation Models11мин

Неделя

Неделя 12

2 ч. на завершение

第十二講：Neural Network

automatic feature extraction from layers of neurons with the back-propagation technique for stochastic gradient descent

2 ч. на завершение

4 видео ((всего 79 мин.))

4 видео

Motivation20мин

Neural Network Hypothesis18мин

Neural Network Learning22мин

Optimization and Regularization17мин

1 практическое упражнение

作業三40мин

Неделя

Неделя 13

1 ч. на завершение

第十三講：Deep Learning

an early and simple deep learning model that pre-trains with denoising autoencoder and fine-tunes with back-propagation

1 ч. на завершение

4 видео ((всего 77 мин.))

4 видео

Deep Neural Network21мин

Autoencoder15мин

Denoising Autoencoder8мин

Principal Component Analysis31мин

Неделя

Неделя 14

1 ч. на завершение

第十四講：Radial Basis Function Network

linear aggregation of distance-based similarities to prototypes found by clustering

1 ч. на завершение

4 видео ((всего 59 мин.))

4 видео

RBF Network Hypothesis12мин

RBF Network Learning20мин

k-Means Algorithm16мин

k-Means and RBF Network in Action9мин

Неделя

Неделя 15

1 ч. на завершение

第十五講：Matrix Factorization

linear models of items on extracted user features (or vice versa) jointly optimized with stochastic gradient descent for recommender systems

1 ч. на завершение

4 видео ((всего 58 мин.))

4 видео

Linear Network Hypothesis20мин

Basic Matrix Factorization16мин

Stochastic Gradient Descent12мин

Summary of Extraction Models9мин

Неделя

Неделя 16

1 ч. на завершение

第十六講：Finale

summary from the angles of feature exploitation, error optimization, and overfitting elimination towards practical use cases of machine learning

1 ч. на завершение

4 видео ((всего 45 мин.))

4 видео

Feature Exploitation Techniques16мин

Error Optimization Techniques8мин

Overfitting Elimination Techniques6мин

Machine Learning in Practice12мин

1 практическое упражнение

作業四40мин

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.
Какие правила возврата средств?
Средства можно вернуть в течение двух недель с момента оплаты или (для только что начавшихся курсов) в течение двух недель после первой сессии, в зависимости от того, какое событие наступит позже. Средства не возвращаются после получения сертификата о прохождении курса, даже если вы закончили курс в течение двухнедельного гарантийного срока. Ознакомьтесь с нашей политикой возврата средств.
Можно ли получить финансовую помощь?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке 'Финансовая помощь' слева под кнопкой 'Зарегистрироваться' и заполните форму. Если его примут, вы получите уведомление. Подробнее

Остались вопросы? Посетите Центр поддержки учащихся.

機器學習技法 (Методы машинного обучения)

機器學習技法 (Методы машинного обучения)

Об этом курсе

Преподаватели

林軒田

от партнера

Национальный университет Тайваня

Программа курса: что вы изучите

Неделя 1

第一講：Linear Support Vector Machine

Неделя 2

第二講：Dual Support Vector Machine

Неделя 3

第三講：Kernel Support Vector Machine

Неделя 4

第四講：Soft-Margin Support Vector Machine

Неделя 5

第五講：Kernel Logistic Regression

Неделя 6

第六講：Support Vector Regression

Неделя 7

第七講：Blending and Bagging

Неделя 8

第八講：Adaptive Boosting

Неделя 9

第九講：Decision Tree

Неделя 10

第十講：Random Forest

Неделя 11

第十一講：Gradient Boosted Decision Tree

Неделя 12

第十二講：Neural Network

Неделя 13

第十三講：Deep Learning

Неделя 14

第十四講：Radial Basis Function Network

Неделя 15

第十五講：Matrix Factorization

Неделя 16

第十六講：Finale

Часто задаваемые вопросы

Лучшие онлайн-курсы

Лучшие онлайн-специализации

Сертификаты онлайн

Программы получения онлайн-дипломов

Coursera

Сообщество

Еще