4.7
estrelas
32 classificações

于天立

6,763 já se inscreveram

oferecido por

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

Universidade Nacional de Taiwan

Informações sobre o curso

4,613 visualizações recentes

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

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível intermediário

Aprox. 12 horas para completar

Chinês (tradicional)

Legendas: Chinês (tradicional)

Instrutores

于天立

副教授 (Associate Professor)

電機工程學系 (Department of Electrical Engineering)

22,258 aprendizes

2 Cursos

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível intermediário

Aprox. 12 horas para completar

Chinês (tradicional)

Legendas: Chinês (tradicional)

oferecido por

Universidade Nacional de Taiwan

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.

Programa - O que você aprenderá com este curso

Semana

Semana 1

2 horas para concluir

Concept learning

2 horas para concluir

6 vídeos (Total 73 mín.), 2 leituras, 1 teste

6 videos

1-1 Brief Introduction to Machine Learning, Learning from Example8min

1-2 Hypotheses ,Relation between Instance Space and Hypotheses14min

1-3 The Find-S Algorithm10min

1-4 Version Space and The List-Then Eliminate Algorithm12min

1-5 The Candidate Elimination Algorithm15min

1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning12min

2 leituras

NTU MOOC 課程問題詢問與回報機制1min

課程投影片開放下載公告1min

1 exercício prático

Week 1 Quiz30min

Semana

Semana 2

2 horas para concluir

Computational Learning Theory

2 horas para concluir

8 vídeos (Total 120 mín.)

8 videos

2-1 Introduction to Computational Learning Theory, Setting of Sample Complexity20min

2-2 Setting 3, PAC Learnable10min

2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples19min

2-4 Shatter, Dichotomy, VC dimension14min

2-5 Some examples and discussion about VC dimension14min

2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms14min

2-7 Optimal Mistake Bound13min

2-8 The Weighted-Majority Algorithm and its Bound11min

1 exercício prático

Week 2 Quiz30min

Semana

Semana 3

2 horas para concluir

Classification

2 horas para concluir

6 vídeos (Total 114 mín.)

6 videos

3-1 Decision Trees and its Hypothesis Space17min

3-2 Learning Decision Tree, Information19min

3-3 Generalization and Overfitting, Kai Square Pruning,Rule Post-Pruning22min

3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison19min

3-5 Ensemble: Embedding, Bagging and Boosting13min

3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick21min

1 exercício prático

Week 3 Quiz24min

Semana

Semana 4

3 horas para concluir

Neural Network and Deep learning

3 horas para concluir

9 vídeos (Total 151 mín.)

9 videos

4-1 Introduction to Neural Network22min

4-2 Single-Layer Network and Perceptron Learning Rule15min

4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN10min

4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure23min

4-5 Deep Learning: Convolutional Neural Networks17min

4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout, Residual Net18min

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

4-8 Autoencoder: Denoising Autoencoder, Stacked Autoencoder and Variational Autoencoder12min

4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications16min

1 exercício prático

Week 4 Quiz16min

Avaliações

4.7

3 avaliações

5 stars
78.78%
4 stars
15.15%
3 stars
3.03%
1 star
3.03%

Principais avaliações do 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

por JC6 de Ago de 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.

Visualizar todas as avaliações

Perguntas Frequentes – FAQ

Quando terei acesso às palestras e às tarefas?
O acesso a palestras e tarefas depende do tipo de inscrição. Se você participar de um curso como ouvinte, você poderá ver quase todo o conteúdo do curso gratuitamente. Para acessar tarefas valendo nota e obter um Certificado, você precisará adquirir a experiência do Certificado, durante ou após a participação como ouvinte. Se você não vir a opção de participar como ouvinte:
o curso pode não oferecer essa opção. Você pode experimentar um teste gratuito ou solicitar o auxílio financeiro.
Em vez disso, o curso pode oferecer 'Curso completo, sem Certificado'. Com esta opção, é possível ver todo o conteúdo do curso, enviar as avaliações necessárias e obter uma nota final. Isso também significa que você não poderá comprar uma experiência de Certificado.
O que recebo ao adquirir o Certificado?
Quando você adquire o Certificado, ganha acesso a todo o material do curso, incluindo avaliações com nota atribuída. Após concluir o curso, seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.
Is financial aid available?
Sim, a Coursera oferece auxílio financeiro aos alunos que não podem pagar a taxa. Faça a solicitação clicando no link Auxílio financeiro, abaixo do botão "Inscreva-se" à esquerda. Você será solicitado a preencher um formulário e será notificado se for aprovado. Saiba mais.
Ganharei créditos universitários por concluir o curso?
Este curso não oferece créditos universitários, mas algumas universidades podem aceitar certificados de cursos que podem ser convertidos em créditos. Entre em contato com sua instituição para saber mais. Com os cursos on-line e os certificados Mastertrack™ do Coursera, é possível ganhar créditos universitários.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.

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)

Informações sobre o curso

Instrutores

于天立

oferecido por

Universidade Nacional de Taiwan

Programa - O que você aprenderá com este curso

Semana 1

Concept learning

Semana 2

Computational Learning Theory

Semana 3

Classification

Semana 4

Neural Network and Deep learning

Semana 5

Reinforcement learning

Avaliações

Principais avaliações do 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Perguntas Frequentes – FAQ

Os melhores cursos on-line

Principais programas de cursos integrados on-line

Certificados on-line

Programa de graduação on-line

Coursera

Comunidade

Mais

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)

Informações sobre o curso

Instrutores

于天立

oferecido por

Universidade Nacional de Taiwan

Programa - O que você aprenderá com este curso

Semana 1

Concept learning

Semana 2

Computational Learning Theory

Semana 3

Classification

Semana 4

Neural Network and Deep learning

Semana 5

Reinforcement learning

Avaliações

Principais avaliações do 人工智慧：機器學習與理論基礎 (ARTIFICIAL INTELLIGENCE - LEARNING & THEORY)

Perguntas Frequentes – FAQ

Coursera Footer

Os melhores cursos on-line

Principais programas de cursos integrados on-line

Certificados on-line

Programa de graduação on-line

Coursera

Comunidade

Mais