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

kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen.

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

Dozent: 于天立

10.997 bereits angemeldet

Bei Mehr erfahren enthalten

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

62 Bewertungen

Stufe Mittel

Einige einschlägige Kenntnisse erforderlich

1 Woche zu vervollständigen

unter 10 Stunden pro Woche

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

62 Bewertungen

Stufe Mittel

Einige einschlägige Kenntnisse erforderlich

1 Woche zu vervollständigen

unter 10 Stunden pro Woche

Kompetenzen, die Sie erwerben

Kategorie: Deep Learning
Kategorie: Applied Machine Learning
Kategorie: Machine Learning
Kategorie: Model Evaluation
Kategorie: Computer Science
Kategorie: Machine Learning Algorithms
Kategorie: Reinforcement Learning
Kategorie: Algorithms
Kategorie: Machine Learning Methods
Kategorie: Artificial Intelligence and Machine Learning (AI/ML)
Kategorie: Convolutional Neural Networks
Kategorie: Artificial Neural Networks
Kategorie: Decision Tree Learning
Kategorie: Artificial Intelligence

Werkzeuge, die Sie lernen werden

Kategorie: Autoencoders
Kategorie: Classification Algorithms

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

5 Aufgaben

Unterrichtet in Chinesisch (traditionell)

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

In diesem Kurs gibt es 5 Module

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

Das ist alles enthalten

6 Videos2 Lektüren1 Aufgabe

6 VideosInsgesamt 73 Minuten

1-1 Brief Introduction to Machine Learning, Learning from Example8 Minuten
1-2 Hypotheses ,Relation between Instance Space and Hypotheses14 Minuten
1-3 The Find-S Algorithm11 Minuten
1-4 Version Space and The List-Then Eliminate Algorithm13 Minuten
1-5 The Candidate Elimination Algorithm15 Minuten
1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning13 Minuten

2 LektürenInsgesamt 2 Minuten

NTU MOOC 課程問題詢問與回報機制1 Minute
課程投影片開放下載公告1 Minute

1 AufgabeInsgesamt 30 Minuten

Week 1 Quiz30 Minuten

Das ist alles enthalten

8 Videos1 Aufgabe

8 VideosInsgesamt 120 Minuten

2-1 Introduction to Computational Learning Theory, Setting of Sample Complexity21 Minuten
2-2 Setting 3, PAC Learnable11 Minuten
2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples19 Minuten
2-4 Shatter, Dichotomy, VC dimension15 Minuten
2-5 Some examples and discussion about VC dimension15 Minuten
2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms15 Minuten
2-7 Optimal Mistake Bound14 Minuten
2-8 The Weighted-Majority Algorithm and its Bound11 Minuten

1 AufgabeInsgesamt 30 Minuten

Week 2 Quiz30 Minuten

Das ist alles enthalten

6 Videos1 Aufgabe

6 VideosInsgesamt 114 Minuten

3-1 Decision Trees and its Hypothesis Space17 Minuten
3-2 Learning Decision Tree, Information20 Minuten
3-3 Generalization and Overfitting, Kai Square Pruning,Rule Post-Pruning22 Minuten
3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison20 Minuten
3-5 Ensemble: Embedding, Bagging and Boosting14 Minuten
3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick21 Minuten

1 AufgabeInsgesamt 24 Minuten

Week 3 Quiz24 Minuten

Das ist alles enthalten

9 Videos1 Aufgabe

9 VideosInsgesamt 151 Minuten

4-1 Introduction to Neural Network22 Minuten
4-2 Single-Layer Network and Perceptron Learning Rule16 Minuten
4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN10 Minuten
4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure23 Minuten
4-5 Deep Learning: Convolutional Neural Networks17 Minuten
4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout, Residual Net18 Minuten
4-7 Recurrent Networks, Long Short-Term Memory (LSTM), Neural Turing Machine, Memory-Augmented Neural Networks (MANN)15 Minuten
4-8 Autoencoder: Denoising Autoencoder, Stacked Autoencoder and Variational Autoencoder12 Minuten
4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications16 Minuten

1 AufgabeInsgesamt 16 Minuten

Week 4 Quiz16 Minuten

Das ist alles enthalten

7 Videos1 Aufgabe

7 VideosInsgesamt 136 Minuten

5-1 Basic Term of Markov Decision Process, Sequential Decisions, Policy, Utility22 Minuten
5-2 Derivation of Bellman Equation20 Minuten
5-3 Value iteration and Policy Iteration22 Minuten
5-4 Q-learning, Learning Policy,Simple GLIE Scheme25 Minuten
5-5 Temporal Difference Algorithm,Generalization12 Minuten
5-6 Deep Q-learning and Improvement13 Minuten
5-7 Deep Policy Network, Partially Observable MDP,Summary22 Minuten

1 AufgabeInsgesamt 14 Minuten

Week 5 Quiz14 Minuten

Dozent

Lehrkraftbewertungen

(19 Bewertungen)

于天立

National Taiwan University

2 Kurse32.159 Lernende

von

National Taiwan University

Mehr von Machine Learning entdecken

Politecnico di Milano
Learning with AI
Kurs
Status: Kostenloser Testzeitraum

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

5 Sterne
75,80 %
4 Sterne
14,51 %
3 Sterne
6,45 %
2 Sterne
0 %
1 Stern
3,22 %

Zeigt 3 von 62 an

5.0

Geprüft am 6. Aug. 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.

5.0

Geprüft am 3. Jan. 2022

Professor Ding's teaching is conscientious and the lectures are clearly explained

Weitere Bewertungen anzeigen

Was führt Sie heute zu Coursera?

Meine Karriere starten

Meine Karriere ändern

In meiner derzeitigen Rolle wachsen

Themen außerhalb der Arbeit erkunden

Schalten Sie den Zugang zu mehr als 10.000 Kursen mit einem Abonnement frei
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich den über 4.700 globalen Unternehmen an, die Coursera for Business wählen

Häufig gestellte Fragen

To access course materials, assignments, and earn a Certificate, you'll need to purchase the Certificate experience when you enroll in a course. Eligible learners may also have the option to start with a Free Trial. Some courses may also offer a Full Course, No Certificate option. This lets you access course materials, submit required assessments, and receive a final grade, but you won't be able to earn or purchase a Certificate.

When you purchase a Certificate you get access to all course materials, including graded assignments. Upon completing the course, your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.