2018 年 05 月 10 日

機器學習課程

關於課程

機器學習是一門研究在非特定程式條件下讓計算機採取行動的學科。最近二十年,機器學習為我們帶來了自動駕駛汽車、實用的語音識別、高效的網絡搜索,讓我們對人類基因的解讀能力大大提高。當今機器學習技術已經非常普遍,你很可能在毫無察覺情況下每天使用幾十次。許多研究者還認為機器學習是人工智慧(AI)取得進展的最有效途徑。在本課程中,你將學習最高效的機器學習技術,了解如何使用這些技術,並自己動手實踐這些技術。更重要的是,你將不僅將學習理論知識,還將學習如何實踐,如何快速使用強大的技術來解決新問題。最後,你將了解在矽谷企業如何在機器學習和 AI 領域進行創新。

本課程將廣泛介紹機器學習、資料探勘和統計模式識別。相關主題包括:(i) 監督式學習(參數和非參數算法、支持向量機、核函數和神經網路)。 (ii) 無監督學習(群集、降維、推薦系統和深度學習)。 (iii) 機器學習實例(偏見/方差理論;機器學習和 AI 領域的創新)。課程將引用很多案例和應用,你還需要學習如何在不同領域應用學習算法,例如智慧機器人(感知和控制)、文本理解(網路搜索和垃圾郵件過濾)、計算機視覺、醫學資訊學、音頻、資料庫探勘等領域。

製作方  

Stanford_Coursera_Logo.jpeg 史丹佛大學 ( Stanford University )

The Leland Stanford Junior University 通常被稱為 Stanford University 或 Stanford, ,是美國私立研究型大學,位於美國加利福尼亞州帕洛阿爾托附近的一個佔地8,180英畝(3,310公頃)的加州 Stanford。

andrewng.png

lanhowrate.png

5 月 14 日 開課

第 1 週  介紹,單變數線性迴歸,線性代數複習

Introduction

歡迎來到機器學習! 在本單元中,我們介紹教電腦使用資料學習概念的核心思想 – 不需要明確的程式指令。 課程 Wiki 正在建設中。 請訪問資源標籤獲取最完整和最新的資訊。

Linear Regression with One Variable

線性迴歸預測是基於輸入值的實值輸出( real-valued output )。 我們討論了線性迴歸在房價預測中的應用,介紹了成本函數的概念,並介紹用於學習的梯度下降法。

Linear Algebra Review

這個選修模組提供了線性代數概念的複習。 線性代數的基本理解對於本課程的其餘部分是必需的,尤其是當我們開始涵蓋具有多個變數的模型時。


第 2 週  多變數線性迴歸,Octave/Matlab 教學

Linear Regression with Multiple Variables

如果你的輸入有多個值,該怎麼辦? 在這個模組中,我們展示如何擴展線性迴歸以適應多個輸入特徵。 我們還討論實施線性迴歸的最佳實踐。

Octave/Matlab Tutorial

本課程包括程式設計作業,旨在幫助你了解如何在實踐中實施學習演算法。 要完成程式設計任務,你需要使用 Octave 或 MATLAB。 本模組介紹 Octave / Matlab 並向你展示如何提交作業。


第 3 週  邏輯迴歸,正則化

Logistic Regression

邏輯迴歸是一種將資料分類為離散結果的方法。 例如,我們可以使用邏輯迴歸將電子郵件分類為垃圾郵件或不垃圾郵件。 在這個模組中,我們介紹分類的概念、邏輯迴歸的成本函數,以及邏輯迴歸在多類分類中的應用。

Regularization

機器學習模型需要很好地概括為該模型在實踐中未見過的新例子。 在這個模組中,我們介紹正則化,這有助於防止模型過度彌合( overfitting )訓練資料。


第 4 週  神經網路 : 表示 

Neural Networks: Representation

神經網路是受大腦如何工作啟發的模型。 它在當今的許多應用中被廣泛使用:當你的手機解讀和理解你的語音命令時,這可能是神經網路正在幫助理解你的語音; 當你兌現支票時,自動讀取數字的機器也正使用神經網路。


第 5 週  神經網路 : 學習

Neural Networks: Learning

在本模組中,我們介紹用於幫助學習神經網路參數的反向傳播 (  backpropagation ) 演算法。 在本單元結束時,你將實現自己可做數字識別的神經網路。


第 6 週  應用機器學習的忠告,機器學習系統設計

Advice for Applying Machine Learning

在實踐中應用機器學習並不總是簡單明暸的。 在本單元中,我們將分享實踐中應用機器學習的最佳實踐,並討論評估已學模型性能的最佳方法。

Machine Learning System Design

要優化機器學習演算法,你需要首先了解可以做出最大改進的地方。 在本單元中,我們將討論如何理解包含多個部分的機器學習系統的性能,以及如何處理偏斜的數據。


第 7 週  支持向量機( SVM )

Support Vector Machines

支持向量機或 SVM 是用於分類的機器學習演算法。 我們介紹 SVM 背後的想法和直覺,並討論如何在實踐中使用它。


第 8 週  無監督學習,降低維度

Unsupervised Learning

我們使用無監督學習來建立模型,幫助我們更好地理解資料。 我們討論用於群聚( clustering )的 k-Means 演算法,使我們能夠學習未標記數據點的分組。

Dimensionality Reduction

在本模組中,我們介紹了主要成分分析(Principal Components Analysis ),並展示如何將其用於資料壓縮,以加快學習演算法和復雜資料集的視覺化。


第 9 週  異常偵測,推薦系統

Anomaly Detection

鑑於大量的數據點( data points ),我們有時可能想弄清哪些數據點與平均數有顯著差異。 例如,在製造業中,我們可能想要檢測缺陷或異常情況。 我們展示如何使用高斯分佈建模資料集,以及該模型如何用於異常檢測。

Recommender Systems

當你在線上購買產品時,大多數網站會自動推薦你可能喜歡的其他產品。 推薦系統研究不同用戶和不同產品之間的活動模式,以產生這些建議。 在這個模組中,我們介紹推薦演算法,如協同過濾( collaborative filtering  )演算法和低秩矩陣分解( low-rank matrix factorization )。


第 10 週  大規模機器學習

Large Scale Machine Learning

當有大量資料用於培訓時,機器學習效果最佳。 在本單元中,我們將討論如何將機器學習演算法應用於大型資料集。


第 11 週  應用案例: 相片 OCR

Application Example: Photo OCR

識別和認出圖中的物件、字詞和數字是一項具有挑戰性的任務。 我們討論如何建構管道來解決這個問題,以及如何分析和改進這種系統的性能。


到官方網站了解本課程與上課


Sponsored by Coursera

你可能會有興趣

好課程與好朋友分享,按以下分享鍵與朋友一起學習吧! 

發表迴響

Category

01-onlinecourse, 05-coursera 線上課程

Tags

, , ,