機器學習理論與基礎
教師: 江振國
2021/09/23~2021/12/08

摘要

機器學習是近年來人工智慧領域非常重要的方法,在影像辨識、語音處理、文字辨識等領域皆有卓越的成效。本課程將從機器學習的二元分類、線性迴歸出發,從方法的源頭入門,探究機器學習方法的意涵、概念與相互關係,從而能夠引導至更高階的機器學習方法。

課程目標

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。

授課教師

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.

課程進度表

單元 1:線性迴歸問題、線性迴歸演算法、線性分類 vs. 線性迴歸

單元 2:線性迴歸與非線性轉換、非線性轉換步驟、非線性轉換的成本

單元 3:結構化假設集、過度擬合問題的危害、過度擬合問題的案例分析

單元 4:影響過度擬合問題的因素、處理過度擬合問題的方法

單元 5:模型訓練的交叉驗證、K-fold Cross Validation交叉驗證

單元 6:迴歸模型的正規化、正規化迴歸問題的矩陣形式

單元 7:邏輯迴歸問題、邏輯迴歸的損失函數

單元 8:邏輯回歸損失函數的梯度、梯度下降法解邏輯回歸模型

單元 9:二元分類的線性模型、隨機梯度下降

課程內容

本課程共計9週,每週學習活動包括瀏覽教學影片與進行隨堂測驗。

*智慧計算及應用系列課程包括機器學習理論與基礎、深度模糊計算及應用、深度類神經計算及應用共3門課程,建議一起選修。

評分標準

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 %

通過標準


課程及格標準:60滿分:100分

先修科目或先備能力

1. 線性代數

2. 微積分

3. 最佳化方法


建議參考書目

  • 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.


證書資訊

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