台大机器学习基石-1-the_learning_problem

Resources

Series: “Machine Learning Foundations” (“台湾大学机器学习基石”)

Advisor: Hsuan-Tien Lin (林轩田)

Length: 16 lectures

Plans

3-days learning style: 1st and 2ed day for learning, 3rd day for summarizing Study content: 2 lectures each day during the learning period Summary: concluding and questioning in blogs, coding if necessary

Outlines

1st Round Conclusion

  1. 通俗讲什么是机器学习 1_what_is_ml
  2. 生活中机器学习的例子 2_ml_example
  3. 什么时候可以用机器学习 3_when_use_ml
  4. 机器是怎么学习的 4_ml_learn_flow
  5. 为什么机器学习是可行的 5_why_ml_feasible
  6. 可行性的理论依据是什么 6_feasible_theora_basis

  7. 机器学习有哪些类型/问题 7_ml_basic_issues
  8. 这些分类回归问题常用线性模型 8_ml_linear_model
  9. 非线性模型怎么构造 9_non_linear_model
  10. 多分类问题怎么解决(分解OVA&OVO) 10_1_multi_classification_OVA 10_2_multi_classification_OVO
  11. 更多实际机器学习模型算法 11_more_ml_model

  12. 机器学习的最常见问题:过拟合 12_ml_overfitting
  13. 过拟合产生原因和处理手段 13_overfit_reasons_solution
  14. 怎么正则化解决过拟合 14_overfit_regularizer
  15. 怎么选择机器学习模型 15_model_selection_validation
  16. 机器学习vsAI,DM,Stats 16_ml_vs_AI_DM_Stats
  17. 机器学习三准则及科研态度 17_learning_principle TBC.
Table of Contents