台大資工系林軒田老師將在11/26於coursera開始「機器學習的基礎」這門課,這堂課將
持續八週,每週大約一小時,完成課程將能獲得修業合格證明。
林軒田老師共同指導的學生團隊在過去四年都連續獲得KDDCup資料探勘大賽冠軍,對於機
器學習的理論或是應用方面,都有深刻的體會。至於老師的教學熱誠則是有目共睹,總是
用深入淺出的例子讓學生更容易進入課程,而且講話幽默風趣,上起課來不會太沉重。
機器學習是目前當紅的議題,由於各個領域都累積了大量資料,若讓電腦具有學習能力處
理大量資料,就能將從中得到的知識用以應付未來遇到的問題。在第一堂coursera課程中
,就會介紹機器學習的一些有趣應用,像是機器人、自動車,讓人可以更快了解機器學習
的用途。
本門課將使用英文教材搭配中文授課,學生最好要有基本微分、向量、矩陣運算、機率的
基本認識,另外有些作業需要執行程式,最好有程式寫作的背景,想先預習的同學可以先
看看Learning from Data這本書。
Coursera由於有廣大的學習同好在線上一起學習,到時後將能和多人進行線上討論作業,
減輕沉重的負擔,對於聽不懂的部分也可以重複觀看,並自己決定學習的時間地點,很適
合做為挑戰這門課的學習環境喔!
有興趣的同學可以來看看老師拍的宣傳片!
https://www.coursera.org/course/ntumlone
When Can Machines Learn? [何時可以使用機器學習]
-- The Learning Problem [機器學習問題]
-- Learning to Answer Yes/No [二元分類]
-- Types of Learning [各式機器學習問題]
-- Feasibility of Learning [機器學習的可行性]
Why Can Machines Learn? [為什麼機器可以學習]
-- Training versus Testing [訓練與測試]
-- Theory of Generalization [舉一反三的一般化理論]
-- The VC Dimension [VC 維度]
-- Noise and Error [雜訊一錯誤]
How Can Machines Learn? [機器可以怎麼樣學習]
-- Linear Regression [線性迴歸]
-- Linear `Soft' Classification [軟性的線性分類]
-- Linear Classification beyond Yes/No [二元分類以外的分類問題]
-- Nonlinear Transformation [非線性轉換]
How Can Machines Learn Better? [機器可以怎麼樣學得更好]
-- Hazard of Overfitting [過度訓練的危險]
-- Preventing Overfitting I: Regularization [避免過度訓練一:控制調適]
-- Preventing Overfitting II: Validation [避免過度訓練二:自我檢測]
-- Three Learning Principles [三個機器學習的重要原則]
buy NTU coursera團隊
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.112.4.195
推
11/22 19:55, , 1F
11/22 19:55, 1F
推
11/22 22:04, , 2F
11/22 22:04, 2F
推
11/22 22:21, , 3F
11/22 22:21, 3F
推
11/22 22:47, , 4F
11/22 22:47, 4F
推
11/22 22:56, , 5F
11/22 22:56, 5F
推
11/22 23:02, , 6F
11/22 23:02, 6F
推
11/23 04:42, , 7F
11/23 04:42, 7F
推
11/23 18:13, , 8F
11/23 18:13, 8F