課程名稱 |
機器學習 Machine Learning |
開課學期 |
109-1 |
授課對象 |
電機資訊學院 電信工程學研究所 |
授課教師 |
吳沛遠 |
課號 |
EE5184 |
課程識別碼 |
921 U2620 |
班次 |
|
學分 |
4.0 |
全/半年 |
半年 |
必/選修 |
選修 |
上課時間 |
星期五2,3,4,5(9:10~13:10) |
上課地點 |
博理113 |
備註 |
初選不開放。需能力檢定,https://ml.ntu.edu.tw/exam.html。資訊安全碩士班必修。與林宗男、李宏毅合授 總人數上限:80人 |
Ceiba 課程網頁 |
http://ceiba.ntu.edu.tw/1091EE5184_ |
課程簡介影片 |
|
核心能力關聯 |
核心能力與課程規劃關聯圖 |
課程大綱
|
為確保您我的權利,請尊重智慧財產權及不得非法影印
|
課程概述 |
重要注意事項:修習本課程需先通過先備能力檢定(報名網址: https://ml.ntu.edu.tw/exam.html),通過檢定者將取得授權碼。
Important Notice: A prerequisite exam (Registration website: https://ml.ntu.edu.tw/exam.html) has to be taken to be eligible to get enrolled in this course.
你可能已經修過和計算機程式相關的課程,能夠設計程式讓電腦處理一些簡單的問題,但你有沒有想過,那些能處理非常複雜問題的程式,究竟是如何設計出來的呢?
例如:Gmail 如何知道一封郵件是否為垃圾郵件?Facebook 如何知道一張相片是否包含人臉? Siri如何聽懂並回答使用者的問題?人類製作出來的Alpha Go為什麼可以比職業棋士還強呢?
事實上,這些程式中的演算法並非由人類直接設計,而是由人類寫出演算法,讓機器能根據資料來學習,讓機器自動由大量的資料、過去的經驗,找出可以處理這些問題的方法。
舉例來說,如果我們想讓機器偵測一封郵件是否為垃圾郵件,我們可以讓機器「看過」大量的郵件,並「告知」機器哪些是垃圾郵件、哪些不是,機器就可以利用這些資訊,自動建構出偵測垃圾郵件的模型,當收到新的郵件時,機器便根據所學的模型,去偵測它是否為垃圾郵件。如何設計出讓機器自動學習的演算法,就是「機器學習」這個領域在探討的問題。
本課程(108 學年度上學期)將由吳沛遠教授、李宏毅教授和林宗男教授共同合授,由吳沛遠教授主授,負責授課與作業規劃。 |
課程目標 |
本課程旨在介紹機器學習使用者都應該知道的基本機器學習理論、方法和工具,期望透過這門課,讓學生對機器學習的技術,有更系統性的認識,並具備實作這些技術的基本能力,以期在未來能將這些技術活用到各自的專業領域中。
課程內容:(參考用,將視實際情況適當增減)
1. Regression; Bias and Variance Errors
2. Classification; Logistic Regression
3. Dimensionality Reduction: Principle Component Analysis; Neighbor Embedding; Auto-Encoder
4. Semi-Supervised Learning
5. Neural Network Introduction: Gradient Decent; Back Propagation
6. Convolution/Recurrent Neural Network
7. Ensemble
8. Transfer Learning
9. Support Vector Machine; Convex optimization and Duality
10. Expectation Maximization
11. Generalization Error: Rademacher complexity and VC dimension
12. Generative Adversarial Network
13. Matrix Factorization |
課程要求 |
重要注意事項:修習本課程需先通過先備能力檢定(報名網址: https://ml.ntu.edu.tw/exam.html),通過檢定者將取得授權碼。
Important Notice: A prerequisite exam (Registration website: https://ml.ntu.edu.tw/exam.html) has to be taken to be eligible to get enrolled in this course.
需具備基本的程式設計能力。理論上,電機系大三以上的學生即具備修習本課程所需的基本能力,建議可以同時選修資料結構和演算法相關課程,以加強程式能力。 |
預期每週課後學習時數 |
|
Office Hours |
|
指定閱讀 |
待補 |
參考書目 |
1. Introduction to Machine Learning, second edition, Ethem ALPAYDIN
2. Pattern Recognition and Machine Learning, Christopher M. Bishop
3. Learning from Data, Yaser S. Abu-Mostafa , Malik Magdon-Ismail, Hsuan-Tien Lin |
評量方式 (僅供參考) |
|
週次 |
日期 |
單元主題 |
第1週 |
09/17 |
Introduction; Regression; Bias and Variance Errors |
第2週 |
09/25 |
Linear Model Classification: Probabilistic Generative Model, Logistic Regression |
第3週 |
09/26 |
Neural Networks: Introduction, Gradient Decent and Back Propagation, Tips, Implementation |
第4週 |
10/16 |
Back Propagation, Deep Learning Tips; |
第5週 |
10/23 |
Convolution Neural Network |
第6週 |
10/30 |
Dimensionality Reduction: Principle Component Analysis |
第7週 |
11/06 |
Auto encoder, Neighbor Embedding |
第8週 |
11/13 |
Ensemble: Random forest, AdaBoost |
第9週 |
11/20 |
全校運動會停課(依教務處9/30更正通知) |
第10週 |
11/27 |
Gaussian Mixture Model and Expectation Maximization |
第11週 |
12/04 |
Variational Auto-Encoder
Semi-Supervised Learning |
第12週 |
12/11 |
Support Vector Machine - Introduction, Optimization and Kernel |
第13週 |
12/18 |
Strong Duality Theorem
Support Vector Machine: Formal dual form |
第14週 |
12/25 |
Probably Approximately Correct Learning |
|