Machine learning is the study that allows computers to adaptively improve their performance with experience accumulated from the data observed. Our two sister courses teach the most fundamental algorithmic, theoretical and practical tools that any user of machine learning needs to know. This second course of the two would focus more on algorithmic tools, and the other course would focus more on mathematical tools. [機器學習旨在讓電腦能由資料中累積的經驗來自我進步。我們的兩項姊妹課程將介紹各領域中的機器學習使用者都應該知道的基礎演算法、理論及實務工具。本課程將較為著重方法類的工具，而另一課程將較為著重數學類的工具。]
von
機器學習基石下 (Machine Learning Foundations)---Algorithmic Foundations
National Taiwan UniversityÜber diesen Kurs
9,940 kürzliche Aufrufe
Karriereergebnisse der Lernenden
12%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
33%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
43%
erhalten Sie eine Gehaltserhöhung oder Beförderung
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 9 Stunden zum Abschließen
Chinesisch (traditionell)
Untertitel: Chinesisch (traditionell)
Karriereergebnisse der Lernenden
12%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
33%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
43%
erhalten Sie eine Gehaltserhöhung oder Beförderung
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 9 Stunden zum Abschließen
Chinesisch (traditionell)
Untertitel: Chinesisch (traditionell)
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
2 Stunden zum Abschließen
第九講: Linear Regression
weight vector for linear hypotheses and squared error instantly calculated by analytic solution
2 Stunden zum Abschließen
4 Videos (Gesamt 62 min), 4 Lektüren
4 Videos
Linear Regression Algorithm20m
Generalization Issue20m
Linear Regression for Binary Classification11m
4 Lektüren
NTU MOOC 課程問題詢問與回報機制1m
課程大綱10m
課程形式及評分標準10m
延伸閱讀10m
1 Stunde zum Abschließen
第十講: Logistic Regression
gradient descent on cross-entropy error
1 Stunde zum Abschließen
4 Videos (Gesamt 65 min)
4 Videos
Logistic Regression Error15m
Gradient of Logistic Regression Error15m
Gradient Descent19m
1 Stunde zum Abschließen
第十一講: Linear Models for Classification
binary classification via (logistic) regression; multiclass classification via OVA/OVO decomposition
1 Stunde zum Abschließen
4 Videos (Gesamt 59 min)
4 Videos
Stochastic Gradient Descent11m
Multiclass via Logistic Regression14m
Multiclass via Binary Classification11m
1 Stunde zum Abschließen
第十二講: Nonlinear Transformation
nonlinear model via nonlinear feature transform+linear model with price of model complexity
1 Stunde zum Abschließen
4 Videos (Gesamt 59 min)
4 Videos
Nonlinear Transform9m
Price of Nonlinear Transform15m
Structured Hypothesis Sets9m
1 praktische Übung
作業三30m
Bewertungen
Top-Bewertungen von 機器學習基石下 (MACHINE LEARNING FOUNDATIONS)---ALGORITHMIC FOUNDATIONS
von HL4. Dez. 2017
What an amazing course! I hope professor can give new courses in the future and cover more practical things with so hard theoretical things.
von JJ2. Okt. 2018
很好的课程，更加注重算法的理论推导，当然也不乏运用的技巧。之前看过吴恩达老师的机器学习课程，感觉林老师这门课更加的深入，吴恩达老师的课省去了公式的推导，更偏向工程的实践，两门课可以算是相辅相成的。
von GG12. Aug. 2020
I learned machine learning theory from this course. This is very useful.
von RR14. Apr. 2018
A perfect course in spite of a little in-digestibility .
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.
Is financial aid available?
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.
Erhalte ich akademische Leistungspunkte für den Abschluss des Kurses?
Für diesen Kurs gibt es keine akademischen Leistungspunkte, doch Hochschulen können nach eigenem Ermessen Leistungspunkte für Kurszertifikate vergeben. Wenden Sie sich an Ihre Einrichtung, um mehr zu erfahren. Online-Abschlüsse und Mastertrack™-Zertifikate auf Coursera bieten die Möglichkeit, akademische Leistungspunkte zu erwerben.
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
