國立臺灣大學-李巨集毅-2017年（秋）最新深度學習與機器學習應用及其深入和結構化研究課程分享
課程持續更新中，文末附分享目前已經release出來的視訊和ppt下載鏈接。
課程描述：
講解深度學習的基本理論，介紹深度學習各種實際應用。
期望和目標：
希望學習本門課程的學生學會：
（1）、深度學習工作原理。
（2）、深度學習常用架構工作原理。
（3）、深度學習工具包的使用，如何設計搭建模型。
（4）、如何使用深度學習技術分析和解決實際的問題。
一些先決條件：
需要的一些編碼能力：
熟練使用Python程式設計，左右作業均採用Python程式設計。
預修課程要求：
大學微積分
線性代數
概率論與數理統計
機器學習基礎
統計學
課程大綱：
課程視訊教程及ppt下載地址：
密碼: 公眾號回覆“taida”
往期精彩內容分享：
更多深度學習在NLP方面應用的經典論文、實踐經驗和最新訊息，歡迎關注微信公眾號“深度學習與NLP”或“DeepLearning_NLP”或掃描二維碼新增關注。
相關推薦
國立臺灣大學-李巨集毅-2017年（秋）最新深度學習與機器學習應用及其深入和結構化研究課程分享
課程持續更新中，文末附分享目前已經release出來的視訊和ppt下載鏈接。 課程描述： 講解深度學習的基本理論，介紹深度學習各種實際應用。 期望和目標： 希望學習本門課程的學生學會： （1）、深度學習工作原理。 （2）、深度學習常用架構工作原理。
讀《Deep Learning Tutorial》（臺灣大學 李宏毅 深度學習教學ppt）後雜記
sam min learning pos structure num 概念 獲得 any 原ppt下載：pan.baidu.com/s/1nv54p9R，密碼：3mty 需深入實踐並理解的重要概念： Deep Learning： SoftMax Fuction（輸出層
李巨集毅老師《1天搞懂深度學習》
Deep Learning • 上學期的「機器學習」錄影 • DNN: https://www.youtube.com/watch?v=Dr-WRlEFefw • Tips for DNN: https://www.youtube.com/watch?v=xki61j7z-30 • CNN:
純乾貨14 2017年-李巨集毅-最新深度學習/機器學習中文視訊教程分享_後篇
前一期給大家分享了李巨集毅老師17年深度學習課程的前半部分,今天繼續與大家分享李老師的在2017年初陸續發放出來的關於深度學習/機器學習的視訊課程後半部分。 整套視訊的目錄： 整套教程的視訊及配套PPT下載地址： 密碼: 微信公眾號回覆“ma2” 往期精
李巨集毅《機器學習（2017版）》課程筆記及心得 第1篇——Introduction of ML
1.首先，機器學習是什麼？機器學習，就是“根據所給資料，尋找一個函式，給出適當輸出”。通過這個函式，我們可以給它一個輸入，得到理想的、正確的輸出。我們通常需要給它資料，訓練一個機器的學習能力。例如：Speech Recognition就是我們給它一段音訊，它給我們識別，輸出這
機器學習（臺灣李巨集毅版）學習筆記 gradient descent
梯度下降屬於線性迴歸的一個重要的部分。但是這種方法具有侷限性，在一般的情況下，並不能保證找到的區域性最小就是全域性最小。所以這種方法適用於目標函式是凸函式的情況（local minimum == global minimum）。即使是在凸函式中也不能保證最後找到
16、【李巨集毅機器學習（2017）】Unsupervised Learning: Deep Auto-encoder（無監督學習：深度自動編碼器）
本篇部落格將介紹無監督學習演算法中的 Deep Auto-encoder。 目錄 Deep Auto-encoder 輸入28*28維度的影象畫素，由NN encoder輸出code，code的維度往往小於784，但我們並不知道code的
Machine Learning 李巨集毅 HW0字數統計和圖片淡化
words.txt和圖片下載地址：words.txt和圖片 題目1 出現字數統計。 1.讀取words.txt中的所有英文單詞，單詞由分隔。 2.按照單詞出現的次數，給予編號（0,1,2）。 3.統計單詞出現的次數。 4.得到次數和編碼輸出至Q1.txt,每一行都為：
【ML】 李巨集毅機器學習筆記
我的github連結 - 課程相關程式碼： https://github.com/YidaoXianren/Machine-Learning-course-note 0. Introduction Machine Learning: define a set of function
李巨集毅機器學習 P14 Backpropagation 筆記
chain rule：求導的鏈式法則。 接著上一節，我們想要minimize這個loss的值，我們需要計算梯度來更新w和b。 以一個neuron舉例： 這個偏微分的結果就是輸入x。 比如下面這個神經網路： 下面我們要計算這個偏微分：。這裡的以si
李巨集毅機器學習 P13 Brief Introduction of Deep Learning 筆記
deep learning的熱度增長非常快。 下面看看deep learning的歷史。 最開始出現的是1958年的單層感知機，1969年發現單層感知機有限制，到了1980年代出現多層感知機（這和今天的深度學習已經沒有太大的區別），1986年又出現了反向傳播演算法（通常超過3
李巨集毅機器學習 P12 HW2 Winner or Loser 筆記（不使用框架實現使用MBGD優化方法和z_score標準化的logistic regression模型）
建立logistic迴歸模型： 根據ADULT資料集中一個人的age，workclass，fnlwgt，education，education_num，marital_status，occupation等資訊預測其income大於50K或者相反（收入）。 資料集： ADULT資料集。
李巨集毅機器學習P11 Logistic Regression 筆記
我們要找的是一個概率。 f即x屬於C1的機率。 上面的過程就是logistic regression。 下面將logistic regression與linear regression作比較。 接下來訓練模型，看看模型的好壞。 假設有N組trainin
李巨集毅機器學習 P15 “Hello world” of deep learning 筆記
我們今天使用Keras來寫一個deep learning model。 tensorflow實際上是一個微分器，它的功能比較強大，但同時也不太好學。因此我們學Keras，相對容易，也有足夠的靈活性。 李教授開了一個玩笑： 下面我們來寫一個最簡單的deep learning mo
【李巨集毅深度強化學習2018】P3 Q-learning（Basic Idea）
第三講 Q-learning（Basic Idea） 視訊地址：http
【李巨集毅深度強化學習2018】P2 Proximal Policy Optimization (PPO)
第二講 Proximal Policy Optimization(PPO) 視訊地址：https:/
【深度學習基礎】《深度學習》李巨集毅
重要知識點： 激勵函式（activation function） softmax layer Lecture 1: Introduction of Deep Learning 1. 深度學習的步驟 機器學習的步驟： Step 1: 定義一個函式集合(define
線性迴歸 李巨集毅機器學習HW1
本文是李巨集毅老師機器學習的第一次大作業，參考網上程式碼，寫了一下自己的思路。 李巨集毅 HM1: 要求：本次作業使用豐原站的觀測記錄，分成train set跟test set，train set是豐原站每個月的 前20天所有資料。test set則是從豐原站剩下的資料中取樣出來。 trai
深度學習導論 - 讀李巨集毅《1天搞懂深度學習》
先引用他人關於李巨集毅教授關於深度學習導論的PPT，應該非常容易入門。 ”《1天搞懂深度學習》，300多頁的ppt，臺灣李巨集毅教授寫的，非常棒。不誇張地說，是我看過最系統，也最通俗易懂的，關於深度學習的文章。“ 這是slideshare的連結：htt
李巨集毅機器學習課程--迴歸(Regression)
李老師用的是精靈寶可夢做的比喻，假設進化後的寶可夢的cp值(Combat Power)與未進化之前的寶可夢的cp值相關，我們想找出這兩者之間的函式關係，可以設進化後的cp值為y,進化之前的cp值為x：y = b + w*x (不只可以設一次項，還可以設定二次項，三次項