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

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

10 860 déjà inscrits

Inclus avec

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 : Theoretical Computer Science
Catégorie : Computer Science
Catégorie : Reinforcement Learning
Catégorie : Artificial Intelligence
Catégorie : Algorithms
Catégorie : Model Evaluation
Catégorie : Deep Learning
Catégorie : Supervised Learning
Catégorie : Machine Learning
Catégorie : Convolutional Neural Networks
Catégorie : Artificial Neural Networks
Catégorie : Decision Tree Learning

Outils que vous découvrirez

Catégorie : Autoencoders
Catégorie : Classification Algorithms

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 vidéos Total 73 minutes

1-1 Brief Introduction to Machine Learning, Learning from Example 8 minutes
1-2 Hypotheses ,Relation between Instance Space and Hypotheses 14 minutes
1-3 The Find-S Algorithm 11 minutes
1-4 Version Space and The List-Then Eliminate Algorithm 13 minutes
1-5 The Candidate Elimination Algorithm 15 minutes
1-6 Biased and Unbiased Hypothesis Space, Futility of Bias-Free Learning 13 minutes

2 lectures Total 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 devoir Total 30 minutes

Week 1 Quiz 30 minutes

Inclus

8 vidéos1 devoir

8 vidéos Total 120 minutes

2-1 Introduction to Computational Learning Theory, Setting of Sample Complexity 21 minutes
2-2 Setting 3, PAC Learnable 11 minutes
2-3 Exhausting the Version Space: Definition, Theorem ,Proof and some examples 19 minutes
2-4 Shatter, Dichotomy, VC dimension 15 minutes
2-5 Some examples and discussion about VC dimension 15 minutes
2-6 Upper and Lower Bounds on Sample Complexity with VC dimension, The Mistake Bound for Algorithms 15 minutes
2-7 Optimal Mistake Bound 14 minutes
2-8 The Weighted-Majority Algorithm and its Bound 11 minutes

1 devoir Total 30 minutes

Week 2 Quiz 30 minutes

Inclus

6 vidéos1 devoir

6 vidéos Total 114 minutes

3-1 Decision Trees and its Hypothesis Space 17 minutes
3-2 Learning Decision Tree, Information 20 minutes
3-3 Generalization and Overfitting, Kai Square Pruning,Rule Post-Pruning 22 minutes
3-4 Model Evaluation: Metrics for Performance Evaluation, Methods for Model Comparison 20 minutes
3-5 Ensemble: Embedding, Bagging and Boosting 14 minutes
3-6 Support Vector Machine: Optimization, Soft Margins, and Kernel Trick 21 minutes

1 devoir Total 24 minutes

Week 3 Quiz 24 minutes

Inclus

9 vidéos1 devoir

9 vidéos Total 151 minutes

4-1 Introduction to Neural Network 22 minutes
4-2 Single-Layer Network and Perceptron Learning Rule 16 minutes
4-3 Multi-Layer Perceptron, Back Propagation Learning, Decline of ANN 10 minutes
4-4 Cascade Correlation Neural Networks, Deep or Shallow Structure 23 minutes
4-5 Deep Learning: Convolutional Neural Networks 17 minutes
4-6 LeNet 5, Dropout, ReLU and the Variants, Maxout, Residual Net 18 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 Autoencoder 12 minutes
4-9 Generative Adversarial Net (GAN), AE+GAN and Its Applications 16 minutes

1 devoir Total 16 minutes

Week 4 Quiz 16 minutes

Inclus

7 vidéos1 devoir

7 vidéos Total 136 minutes

5-1 Basic Term of Markov Decision Process, Sequential Decisions, Policy, Utility 22 minutes
5-2 Derivation of Bellman Equation 20 minutes
5-3 Value iteration and Policy Iteration 22 minutes
5-4 Q-learning, Learning Policy,Simple GLIE Scheme 25 minutes
5-5 Temporal Difference Algorithm,Generalization 12 minutes
5-6 Deep Q-learning and Improvement 13 minutes
5-7 Deep Policy Network, Partially Observable MDP,Summary 22 minutes

1 devoir Total 14 minutes

Week 5 Quiz 14 minutes

Instructeur

Évaluations de l’enseignant

(19 évaluations)

于天立

National Taiwan University

2 Cours 31 798 apprenants

Offert par

National Taiwan University

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

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Découvrir les diplômes

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

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.