關於此課程：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
此課程適用人群：具有基礎電腦科學知識與基本數學知識（微積分，向量，機率與統計等）的普羅社會大眾。
製作方： National Taiwan University
教學方： 于天立, 副教授（Associate Professor）
電機工程學系(Electrical Engineering)
| 級別 | 中級 |
| 語言 | Chinese (Traditional) |
| 如何通過 | 通過所有計分作業以完成課程。 |
授課大綱
第 1 週
Concept learning
6 個視頻, 2 個閱讀材料
- Leyendo: NTU MOOC 課程問題詢問與回報機制
- Leyendo: 課前問卷（請大家幫忙填寫，預估填寫時間兩分鐘，謝謝大家！）
- 視頻: 1-2 Hypotheses ,Relation between Instance Space and Hypotheses
- 視頻: 1-3 The Find-S Algorithm
- 視頻: 1-4 Version Space and The List-Then Eliminate Algorithm
- 視頻: 1-5 The Candidate Elimination Algorithm
- 視頻: 1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning
- Cuadro de aviso de la discusión: 第一週課程錯誤回報與提問區
已評分: Week 1 Quiz
第 2 週
Computational Learning Theory
8 個視頻
- 視頻: 2-2 Setting 3, PAC Learnable
- 視頻: 2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples
- 視頻: 2-4 Shatter, Dichotomy, VC dimension
- 視頻: 2-5 Some examples and discussion about VC dimension
- 視頻: 2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms
- 視頻: 2-7 Optimal Mistake Bound
- 視頻: 2-8 The Weighted-Majority Algorithm and its Bound
- Cuadro de aviso de la discusión: 第二週課程錯誤回報與提問區
已評分: Week 2 Quiz
第 3 週
Classification
6 個視頻, 1 個閱讀材料
- 視頻: 3-2 Learning Decision Tree, Information
- 視頻: 3-3 Generalization and Overfitting, Kai Square Pruning, Rule Post-Pruning
- 視頻: 3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison
- 視頻: 3-5 Ensemble: Embedding, Bagging and Boosting
- 視頻: 3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick
- Cuadro de aviso de la discusión: 第三週課程錯誤回報與提問區
- Leyendo: 修課後問卷（請大家幫忙填寫，預估填寫時間兩分鐘，謝謝大家！）
已評分: Week 3 Quiz
第 4 週
Neural Network and Deep learning
9 個視頻
- 視頻: 4-2 Single-Layer Network and Perceptron Learning Rule
- 視頻: 4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN
- 視頻: 4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure
- 視頻: 4-5 Deep Learning: Convolutional Neural Networks
- 視頻: 4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout ,Residual Net
- 視頻: 4-7 Recurrent Networks, Long Short-Term Memory (LSTM), Neural Turing Machine, Memory-Augmented Neural Networks (MANN)
- 視頻: 4-8 Autoencoder: Denoising Autoencoder, Stacked Autoencoder and Variational Autoencoder
- 視頻: 4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications
- Cuadro de aviso de la discusión: 第四週課程錯誤回報與提問區
已評分: Week 4 Quiz
第 5 週
Reinforcement learning
7 個視頻, 1 個閱讀材料
- 視頻: 5-2 Derivation of Bellman Equation
- 視頻: 5-3 Value iteration and Policy Iteration
- 視頻: 5-4 Q-learning, Learning Policy,Simple GLIE Scheme
- 視頻: 5-5 Temporal Difference Algorithm,Generalization
- 視頻: 5-6 Deep Q-learning and Improvement
- 視頻: 5-7 Deep Policy Network, Partially Observable MDP,Summary
- Cuadro de aviso de la discusión: 第五週課程錯誤回報與提問區
- Leyendo: 修課後問卷（請大家幫忙填寫，預估填寫時間兩分鐘，謝謝大家！若第三週已填寫，可以不用重複填答）
已評分: Week 5 Quiz
常見問題解答
運作方式
Trabajo del curso
Cada curso es como un libro de texto interactivo, con videos pregrabados, cuestionarios y proyectos.
Ayuda de tus compañeros
Conéctate con miles de estudiantes y debate ideas y materiales del curso, y obtén ayuda para dominar los conceptos.
Certificados
Obtén reconocimiento oficial por tu trabajo y comparte tu éxito con amigos, compañeros y empleadores.
製作方
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.More courses information, the official Facebook Page: https://www.facebook.com/ntumooc2017/
評分和審閱
