4.6
Sterne
40 Bewertungen
•
5 Bewertungen

于天立

7.788 bereits angemeldet

von

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

National Taiwan University

Über diesen Kurs

3.881 kürzliche Aufrufe

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

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Stufe „Mittel“

Ca. 12 Stunden zum Abschließen

Chinesisch (traditionell)

Untertitel: Chinesisch (traditionell)

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Stufe „Mittel“

Ca. 12 Stunden zum Abschließen

Chinesisch (traditionell)

Untertitel: Chinesisch (traditionell)

Dozent

Dozentenbewertung

4,66/5 (7 Bewertungen)

于天立

副教授 (Associate Professor)

電機工程學系 (Department of Electrical Engineering)

24.277 Lernende

2 Kurse

von

National Taiwan University

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.

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche

Woche 1

2 Stunden zum Abschließen

Concept learning

2 Stunden zum Abschließen

6 Videos (Gesamt 73 min), 2 Lektüren, 1 Quiz

6 Videos

1-1 Brief Introduction to Machine Learning, Learning from Example8m

1-2 Hypotheses ,Relation between Instance Space and Hypotheses14m

1-3 The Find-S Algorithm10m

1-4 Version Space and The List-Then Eliminate Algorithm12m

1-5 The Candidate Elimination Algorithm15m

1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning12m

2 Lektüren

NTU MOOC 課程問題詢問與回報機制1m

課程投影片開放下載公告1m

1 praktische Übung

Week 1 Quiz30m

Woche

Woche 2

2 Stunden zum Abschließen

Computational Learning Theory

2 Stunden zum Abschließen

8 Videos (Gesamt 120 min)

8 Videos

2-1 Introduction to Computational Learning Theory, Setting of Sample Complexity20m

2-2 Setting 3, PAC Learnable10m

2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples19m

2-4 Shatter, Dichotomy, VC dimension14m

2-5 Some examples and discussion about VC dimension14m

2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms14m

2-7 Optimal Mistake Bound13m

2-8 The Weighted-Majority Algorithm and its Bound11m

1 praktische Übung

Week 2 Quiz30m

Woche

Woche 3

2 Stunden zum Abschließen

Classification

2 Stunden zum Abschließen

6 Videos (Gesamt 114 min)

6 Videos

3-1 Decision Trees and its Hypothesis Space17m

3-2 Learning Decision Tree, Information19m

3-3 Generalization and Overfitting, Kai Square Pruning,Rule Post-Pruning22m

3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison19m

3-5 Ensemble: Embedding, Bagging and Boosting13m

3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick21m

1 praktische Übung

Week 3 Quiz24m

Woche

Woche 4

3 Stunden zum Abschließen

Neural Network and Deep learning

3 Stunden zum Abschließen

9 Videos (Gesamt 151 min)

9 Videos

4-1 Introduction to Neural Network22m

4-2 Single-Layer Network and Perceptron Learning Rule15m

4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN10m

4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure23m

4-5 Deep Learning: Convolutional Neural Networks17m

4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout, Residual Net18m

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

4-8 Autoencoder: Denoising Autoencoder, Stacked Autoencoder and Variational Autoencoder12m

4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications16m

1 praktische Übung

Week 4 Quiz16m

Bewertungen

4.6

5 Bewertungen

5 stars
75 %
4 stars
15 %
3 stars
7,50 %
1 star
2,50 %

Top-Bewertungen von 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

von KJ3. Jan. 2022

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

von EC6. Aug. 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.

Alle Bewertungen anzeigen

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich das Zertifikat erwerbe?
Wenn Sie ein Zertifikat erwerben, erhalten Sie Zugriff auf alle Kursmaterialien, einschließlich bewerteter Aufgaben. Nach Abschluss des Kurses wird Ihr elektronisches Zertifikat zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Ist finanzielle Unterstützung möglich?
Ja, Coursera bietet Kursteilnehmern, die die Gebühr nicht bezahlen können, finanzielle Hilfe an. Sie beantragen diese Hilfe, indem Sie auf den entsprechenden Link links unter der Schaltfläche "Anmelden" klicken. Sie werden dazu aufgefordert, ein Antragsformular auszufüllen, und Sie werden benachrichtigt, wenn Ihr Antrag bewilligt wird. Mehr erfahren.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

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)

Über diesen Kurs

Dozent

于天立

von

National Taiwan University

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche 1

Concept learning

Woche 2

Computational Learning Theory

Woche 3

Classification

Woche 4

Neural Network and Deep learning

Woche 5

Reinforcement learning

Bewertungen

Top-Bewertungen von 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Häufig gestellte Fragen

Starten oder fördern Sie Ihre Karriere

Beliebte Themen durchsuchen

Beliebte Kurse und Artikel

Abschluss oder Zertifikat online erwerben

Coursera

Community

Mehr

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)

Über diesen Kurs

Dozent

于天立

von

National Taiwan University

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche 1

Concept learning

Woche 2

Computational Learning Theory

Woche 3

Classification

Woche 4

Neural Network and Deep learning

Woche 5

Reinforcement learning

Bewertungen

Top-Bewertungen von 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Häufig gestellte Fragen

Coursera Footer

Starten oder fördern Sie Ihre Karriere

Beliebte Themen durchsuchen

Beliebte Kurse und Artikel

Abschluss oder Zertifikat online erwerben

Coursera

Community

Mehr