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

La Fête du Travail commence avec plus de 70 $ d'économies sur Coursera Plus. Bénéficiez de 40 % de réduction pendant 3 mois.

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues.

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

Instructeur : 于天立

10 959 déjà inscrits

Inclus avec En savoir plus

Demander à Coursera

5 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

62 avis

niveau Intermédiaire

Certaines connaissances prérequises

1 semaine à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

5 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

62 avis

niveau Intermédiaire

Certaines connaissances prérequises

1 semaine à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Compétences que vous acquerrez

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

Outils que vous découvrirez

Catégorie : Classification Algorithms
Catégorie : Generative AI
Catégorie : Autoencoders

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

5 devoirs

Enseigné en Chinois (traditionnel)

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Il y a 5 modules dans ce cours

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

Inclus

6 vidéos2 lectures1 devoir

6 vidéosTotal 73 minutes

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

2 lecturesTotal 2 minutes

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 devoirTotal 30 minutes

Week 1 Quiz30 minutes

Inclus

8 vidéos1 devoir

8 vidéosTotal 120 minutes

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

1 devoirTotal 30 minutes

Week 2 Quiz30 minutes

Inclus

6 vidéos1 devoir

6 vidéosTotal 114 minutes

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

1 devoirTotal 24 minutes

Week 3 Quiz24 minutes

Inclus

9 vidéos1 devoir

9 vidéosTotal 151 minutes

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

1 devoirTotal 16 minutes

Week 4 Quiz16 minutes

Inclus

7 vidéos1 devoir

7 vidéosTotal 136 minutes

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

1 devoirTotal 14 minutes

Week 5 Quiz14 minutes

Instructeur

Évaluations de l’enseignant

(19 évaluations)

于天立

National Taiwan University

2 Cours32 056 apprenants

Offert par

National Taiwan University

En savoir plus sur Machine Learning

Statut : Essai gratuit
Politecnico di Milano
Learning with AI
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

5 stars
75,80 %
4 stars
14,51 %
3 stars
6,45 %
2 stars
0 %
1 star
3,22 %

Affichage de 3 sur 62

Révisé le 6 août 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.

Révisé le 3 janv. 2022

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

Voir plus d’avis

Profitez de plus de 10 000 programmes grâce à notre offre spéciale pour la Fête du Travail
Get Coursera Plus
Commencez par réaliser des économies simples pour vos équipes qui travaillent dur
Save 30% today

Foire Aux Questions

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.