前言
“機器學習基石”是 Coursera 上一門關於機器學習的課程,由國立臺灣大學的老師林軒田講授。該課程一共有16節課,主要介紹了機器學習領域的基礎理論知識。
授課大綱
課程的大綱如下,以下的每個小項目對應到約一小時的課程:
When Can Machines Learn? [何時可以使用機器學習]
– The Learning Problem [機器學習問題]
– Learning to Answer Yes/No [二元分類]
– Types of Learning [各式機器學習問題]
– Feasibility of Learning [機器學習的可行性]
Why Can Machines Learn? [爲什麼機器可以學習]
– Training versus Testing [訓練與測試]
– Theory of Generalization [舉一反三的一般化理論]
– The VC Dimension [VC 維度]
– Noise and Error [噪聲時錯誤]
How Can Machines Learn? [機器可以怎麼樣學習]
– Linear Regression [線性迴歸]
– Linear Soft Classification [軟性的線性分類]
– Linear Classification beyond Yes/No [二元分類以外的分類問題]
– Nonlinear Transformation [非線性轉換]
How Can Machines Learn Better? [機器可以怎麼樣學得更好]
– Hazard of Overfitting [過度訓練的危險]
– Preventing Overfitting I: Regularization [避免過度訓練一:控制調適]
– Preventing Overfitting II: Validation [避免過度訓練二:自我檢測]
– Three Learning Principles [三個機器學習的重要原則]
計劃
我將把課程按照自己的理解,整理成一份通俗易懂的筆記,一方面記錄所學知識,另一方面與大家一起分享,共同進步。
筆記鏈接
以下是我自己整理的,以這門課爲基礎的機器學習筆記,不斷更新中。
《機器學習基石》1-The Learning Problem
《機器學習基石》2-Learning to Answer Yes/No
《機器學習基石》3-Types of Learning
《機器學習基石》4-Feasibility of Learning
《機器學習基石》5-Training versus Testing
《機器學習基石》6-Theory of Generalization
《機器學習基石》8-Noise and Error
《機器學習基石》9-Linear Regression