課程名稱 |
機器學習 Machine Learning |
開課學期 |
107-2 |
授課對象 |
電機資訊學院 資料科學碩士學位學程 |
授課教師 |
李宏毅 |
課號 |
EE5184 |
課程識別碼 |
921 U2620 |
班次 |
|
學分 |
4.0 |
全/半年 |
半年 |
必/選修 |
必帶 |
上課時間 |
星期四2,3,4,5(9:10~13:10) |
上課地點 |
明達205 |
備註 |
初選不開放。與林宗男、吳沛遠合授 總人數上限:100人 |
Ceiba 課程網頁 |
http://ceiba.ntu.edu.tw/1072EE5184_ |
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 |
本學期課程內容請見課程網頁:http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html
重要注意事項:建議同學們可以用線上的課程錄影先預習上課內容,開學後比較能夠跟上進度
課程錄影連結:https://www.youtube.com/watch?v=CXgbekl66jc&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49
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: http://ml.ntu.edu.tw/exam.html),通過檢定者將取得授權碼。
Important Notice: A prerequisite exam (Registration website: http://ml.ntu.edu.tw/exam.html) has to be taken to be eligible to get enrolled in this course.
先備能力測驗考試範圍:本次測驗總共會考五題,其中四題是演算法的題目,一題是 linear regression。在 linear regression 這題中,我們會幫考生們寫好讀取檔案和抽取特徵的程式,考生只需要寫有關 gradient descent 的部分,如果做出的模型參數落在某一個範圍內就算是正確。請注意本次測驗無法使用 numpy。有關 gradient descent 的原理和實作請參見以下影片
Regression: https://bit.ly/2LKOeqW
Regression – Demo: https://bit.ly/2UKx8fO
Gradient Descent: https://bit.ly/2UOsnSv
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(107 學年度下學期)將由李宏毅教授、吳沛遠教授和林宗男教授共同合授,由李宏毅教授主授,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。 |
課程要求 |
重要注意事項:建議同學們可以用線上的課程錄影先預習上課內容,開學後比較能夠跟上進度
課程錄影連結:https://www.youtube.com/watch?v=CXgbekl66jc&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49
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: http://ml.ntu.edu.tw/exam.html),通過檢定者將取得授權碼。
Important Notice: A prerequisite exam (Registration website: http://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 |
2/21 |
Overview |
第2週 |
2/28 |
和平紀念日 |
第3週 |
3/07 |
Anomaly Detection |
第4週 |
3/14 |
Explainable AI |
第5週 |
3/21 |
Adversarial Attack |
第6週 |
3/28 |
Life-long learning |
第7週 |
4/04 |
溫書假 |
第8週 |
4/11 |
Meta Learning |
第9週 |
4/18 |
期中考週 |
第10週 |
4/25 |
Transformer |
第11週 |
5/02 |
Few/Zero shot learning |
第12週 |
5/09 |
BERT |
第13週 |
5/16 |
More about Reinforcement Learning |
第14週 |
5/23 |
Network Compression |
第15週 |
5/30 |
GLOW |
第16週 |
6/06 |
Unsupervised Domain Adaptation |
第17週 |
6/13 |
Deep Learning Theory |
第18週 |
06/20 |
期末考週 |
|