机器学习理论与基础
教师: 江振國
2021/09/23~2021/12/08

概要

机器学习是近年来人工智能领域非常重要的方法,在影像辨识、语音处理、文本辨识等领域皆有卓越的成效。本课程将从机器学习的二元分类、线性回归出发,从方法的源头入门,探究机器学习方法的意涵、概念与相互关系,从而能够引导至更高端的机器学习方法。

课程目标

1.  了解機器學習的理論與基礎,從二元分類與線性模型出發,了解模型的概念與學習的過程。

2.  熟悉機器學習模型訓練的方法,以及過度擬合問題的解決方式。

3.  比較邏輯回歸與梯度下降方法的概念,作為基礎方法的改進,並引導深度學習模型的概念意涵。

授课教师

江振國 老師

教師簡介:

學歷:國立清華大學資訊工程博士

專長:電腦視覺、機器學習、多媒體處理分析

Chen-Kuo Chiang is an assistant professor at the Department of Computer Science and Information Engineering, National Chung Cheng University University, Taiwan. He received his Ph.D degree in computer science department at National Tsing Hua University, Hsinchu, Taiwan. He was a software engineer at Institute of Information Industry. His research interests include computer vision, machine learning, pattern recognition and image processing.

课程进度表

单元 1:线性回归问题、线性回归算法、线性分类 vs. 线性回归

单元 2:线性回归与非线性转换、非线性转换步骤、非线性转换的成本

单元 3:结构化假设集、过度拟合问题的危害、过度拟合问题的案例分析

单元 4:影响过度拟合问题的因素、处理过度拟合问题的方法

单元 5:模型训练的交叉验证、K-fold Cross Validation交叉验证

单元 6:回归模型的范式、范式回归问题的矩阵形式

单元 7:逻辑回归问题、逻辑回归的损失函数

单元 8:逻辑回归损失函数的梯度、梯度下降法解逻辑回归模型

单元 9:二元分类的线性模型、随机梯度下降

课程内容

本课程共计9周,每周学习活动包括浏览教学视频与进行随堂测验。

*智能计算及应用系列课程包括机器学习理论与基础、深度模糊计算及应用、深度类神经计算及应用共3门课程,建议一起选修。

评分标准

課程及格標準: 60 分  滿分: 100分

  • 影片瀏覽:佔總成績 20 %
  • 平時測驗:佔總成績 10 %
  • 平時作業:佔總成績 10 %
  • 參與線上討論:佔總成績 10 %
  • 期中考:佔總成績 25 %
  • 期末考:佔總成績 25 %

通过标准


Course grade pass:60Grade Memo:max grade 100 point

先修科目或先备能力

1. 線性代數

2. 微積分

3. 最佳化方法


建议参考书目

  • Learning from Data, Yaser Abu-Mostafa, Malik Magdon-Ismail and Hsuan-Tien Lin.
  • Introduction to Machine Learning, third edition, Ethem Alpaydin.
  • Pattern Classification, Richard O. Duda,
  • Machine Learning, Tom. Mtichell, McGraw-Hill, 1997.


其它

本課程證書費用:500元

如何申請證書?

1.點選右上方的「小白人」。

2.點選「證書下載」。

%E8%AD%89%E6%9B%B8%E4%B8%8B%E8%BC%89%E8%

3.畫面即會轉到申請證書系統中,請點選「我要申請證書」。

4.點選「我要搜尋」開始申請證書。

%E8%AD%89%E6%9B%B8%E4%B8%8B%E8%BC%89%E8%

詳細證書下載流程說明請點這裡