[搬运]台湾大学机器学习课程 by 李宏毅

本课程由李宏毅教授讲解,涵盖了从回归分析到深度学习等多个主题。包括梯度下降、分类模型、深度学习原理及应用、卷积神经网络等。还介绍了无监督学习、半监督学习及强化学习等内容。

       最近看到一个比较好的机器学习课程,大致听了一遍。整体感觉机器学习领域还是比较难,虽然李宏毅老师讲得还是挺好的,没有足够基础吸收起来还是有一定困难。即便是已经把过程讲了一遍,也很难理解到那些理论是如何构建起来的。这个课程一个好是讲到了当前最热的深度学习,建议按需选择学习。

       下面就列一下课程的大纲,video可以在youku看到(不知是否涉及版权问题,我好不容易从y2b下载下来,发现有人最近已经上传了),其他资料可以到课程主页下载。



Introduction of this course pdf (2016 /09/23)

HW0 pdf, video (2016 /09/23)

Learning Map pdf, video (2016 /09/30)

Regression: Case Study pdf,video(2016 /09/30)

HW1 pdf (2016/09/30)

Gradient Descent pdf,video(2016 /10/07)

Where does the error come from? pdf,video(2016/10/07)

Classification: Probabilistic Generative Model pdf, video(2016 /10/07)

Classification: Logistic Regression pdf,video (2016/10/14)

HW2 pdf (2016/10/15)

Brief Introduction of Deep Learning pdf,video (2016/10/14)

Backpropagation pdf,video(2016/10/28)

“Hello world” of deep learning pdf,video(2016/10/28)

Convolutional Neural Network pdf,video(2016/10/28)

HW3 pdf (2016/10/28)

Tips for deep learning pdf,video(2016/11/04)

Why deep pdf,video(2016/11/04)

Semi-supervised Learning pdf,video(2016/11/11)

Unsupervised Learning: Linear Dimension Reduction pdf,video(2016/11/11)

HW4 pdf (2016/11/18)

Unsupervised Learning: Deep Auto-encoder pdf,video (2016/11/18)

Unsupervised Learning: Word Embedding pdf,video (2016/11/25)

Unsupervised Learning: Neighbor Embedding pdf,video (2016/12/02)

Unsupervised Learning: Deep Generative Model pdf,video (part 1),video(part 2) (2016/12/02)

Final rule,project1,project2,project3 (2016/12/02)

Transfer Learning pdf,video(2016/12/09)

Support Vector Machine (SVM) pdf,video(2016/12/09)

Structured Learning: Introduction pdf,video (2016/12/09)

Structured Learning: Linear Model pdf,video (2016/12/09)

Structured Learning: Structured SVM pdf,video (2016/12/12)

Structured Learning: Sequence Labeling pdf,video (2016/12/23)

Structured Learning: Recurrent Neural Network pdf,video (part 1),video(part 2) (2016/12/30)

Ensemble pdf,video(2016/01/06)

Deep Reinforcement Learning: Scratching the surface pdf,video (2016/01/06)


机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径。 随着统计学的发展,统计学习在机器学习中占据了重要地位,支持向量机(SVM)、决策树和随机森林等算法的提出和发展,使得机器学习能够更好地处理分类、回归和聚类等任务。进入21世纪,深度学习成为机器学习领域的重要突破,采用多层神经网络模型,通过大量数据和强大的计算能力来训练模型,在计算机视觉、自然语言处理和语音识别等领域取得了显著的成果。 机器学习算法在各个领域都有广泛的应用,包括医疗保健、金融、零售和电子商务、智能交通、生产制造等。例如,在医疗领域,机器学习技术可以帮助医生识别医疗影像,辅助诊断疾病,预测病情发展趋势,并为患者提供个性化的治疗方案。在金融领域,机器学习模型可以分析金融数据,识别潜在风险,预测股票市场的走势等。 未来,随着传感器技术和计算能力的提升,机器学习将在自动驾驶、智能家居等领域发挥更大的作用。同时,随着物联网技术的普及,机器学习将助力智能家居设备实现更加智能化和个性化的功能。在工业制造领域,机器学习也将实现广泛应用,如智能制造、工艺优化和质量控制等。 总之,机器学习是一门具有广阔应用前景和深远影响的学科,它将持续推动人工智能技术的发展,为人类社会的进步做出重要贡献。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值