EE 655000 Machine Learning 機器學習

Spring 2023, Mon. 17:30 to 20:20 , Location DELTA台達 215
Instructor: Min Sun

TAs: 蔡馥任 qwe846132@gapp.nthu.edu.tw
吳京軒 justinwu880520@gmail.com
李明峯 li871030@gmail.com
邵柏翔 b99872599@gmail.com
張君豪 howard88315@gapp.nthu.edu.tw
Suraj Dengale surajdengale@gapp.nthu.edu.tw


Machine Learning by Wikimedia

Course Description


機器學習領域有各種不同演算法,讓電腦可以從資料中學習,完成目標任務。隨著各領域數位化資料的累積,機器學習已經應用在五花八門 的各種領域。例如早期應用在資料探開,搜索,推薦上。到後來可以應用在各種非結構資料上,如語音、影像、文字等。如今機器學習更是 應用在各種科學領域,例如天文學、生物學、化學等。 機器學習結合了統計、數學與資訊科學等學門。廣義來說,機器學習研究如何讓電腦具有學習的能力,從以往的經驗及 數據中學習到知 識,以增進電腦本身的效能,因此機器學習也可解釋為利用資料來建立一些模擬真實世界的模型 (Models),利用這些模式來描述資料中 的特徵(Patterns)以及關係(Relations)。這些模式有兩種用處,第 一,瞭解資料的特徵與關係可以提供決策所需要的資訊。第 二,資料的特徵可以幫助進行預測。

本課程包括三份手寫作業以及三份程式作業,以及自學ML應用介紹(ML self-tutorial)、期中/期末報告 (最多3人一組)。 請在後面了解自學ML應用介紹(ML self-tutorial)、期中/期末報告等要求。syllabus.

Prerequisites

本課程需要使用Python編寫程式,此外會使用到線性代數、微積分、機率等概念。

Textbook

Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006, ISBN: 0387310738

Resource

Machine Learning by Prof. Andrew Ng

Grading

總成績保括 遲交作業一天10%扣分。但是每人都有三天不扣分的遲交天數可以自由使用。

Contact Info and Office Hours

教授聯繫資訊如下。 Office Hours

Tentative Syllabus

<<<<<<< HEAD ======= >>>>>>> f8b706685b097825dc2abea20a813bcac4d42292
WeekClass DatesTopicSlidesRecordingExtra Info (e.g., Homework/Exam)
1 M, Feb. 13 Opening pdf pdf pdf Group Form Out
Math Review
Python tutorial
2 M, Feb. 20 Intro. to ML pdf pdf Homework 1 out
Probability Distributions
3 M, Feb. 27 Holiday (2/28) Group Finalisation (3/1)
4 M, Mar. 6 (No Physical Class) Probability Distributions link Class Recorded on EEclass
Linear Regression Models
Intro to Competitions link
5 M, Mar. 13 Linear Classification Models Homework 2 out
Self-Tutorial
6 M, Mar. 20 NN
PyTorch Intro Colab
7 M, Mar. 27 NN Homework 1 due
Self-Tutorial
8 M, Apr. 3 April Holiday
9 M, Apr. 10 Mid-Term Presentations Each team present 3-5 minutes. Homework 3 out
10 M, Apr. 17 Kernel Methods Homework 2 due
Self-Tutorial
11 M, Apr. 24 Sparse Kernel Machines
Self-Tutorial
12 M, May. 1 Graphical Model
13 M, May. 8 Mixture Models and EM
Sampling Methods
Self-Tutorial
14 M, May. 15 Ensemble Learning
Buffer
15 M, May. 22 Competiton Week: Open to team-based meeting Competition due Firday mid-night.
Homework 3 due
16 M, May. 29 Final presentation Top three winner each present 10 minutes.
Others present 3 minutes.
17 M, June. 5 No Class Final Report Due