展开查看详情
1 .Introduction of
this course
李宏毅
Hung-yi Lee
3 .評量方式
• 不點名、不考試
• 作業 (60%)：沒有分組、每個人都要繳交
• 期末專題 (40%)：分組進行
4 .評量方式 - 作業 (60%)
• 作業一 (10%)：3/02 – 3/23 (三週)
• 作業二 (10%)：3/23 – 4/06 (二週)
• 作業三 (10%)：4/06 – 5/04 (四週)
• 作業四 (10%)：4/27 – 5/11 (二週)
• 作業五 (10%)：5/11 – 5/25 (二週)
• 作業六 (10%)：5/25 – 6/08 (二週)
5 .評量方式 - 作業 (60%)
• 程式碼：程式碼要符合指定格式可以順利執行，經助教
要求修改後才能執行會被扣分
• 課堂內競賽成績：同學上傳程式執行結果到競賽專用平
台 Kaggle，可以即時得知成果
• 達到 baseline 就得到大部分的分數
• 課堂內競賽成績優異的同學會被邀請在課堂上發表，
會有額外的加分。
• 課堂內競賽視同考試，嚴禁任何作弊行為
• 在機器學習過程中使用禁止使用的資料，如測試
資料(視同考試攜帶小抄)
• 註冊多重分身參加比賽(視同考試請人代考)
• 繳交報告回答問題
6 .評量方式 - 期末專題
• 期末專題 (40%)：
• 2 ~ 4人一組
• 找不到隊友也沒關係，會幫忙配對
• 5/04 公告題目
• 進行方式：會公告幾個可能的題目給同學們選擇，
其餘規定同作業
• 最後會有組內互評
7 .上課
• 老師上課時間：週四上午 9:10 – 12:10
• 上課投影片和錄音會放到李宏毅的個人網頁上
• 李宏毅的個人網頁：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.htm
l
• 助教時間：
• 在作業截止的前一週週四中午 12:20 – 1:10，由助教
示範、講解作業實作方式
• 不一定要參加
• 在講解作業前就在 Kaggle 上達到 baseline 會有額外加
分
• 3/09 老師請假
8 .FB 社團
• 社團: “Machine Learning (2017, Spring)”
• https://www.facebook.com/groups/226970244375624/
• 有問題可以直接在 FB社團上發問
• 如果有同學知道答案請幫忙回答
• 有想法也可以在 FB社團上發言
• 會紀錄好的問題、答案、留言，期末會加分
9 .加簽
• 如果上學期「正確」完成作業零但沒有加簽，等
一下直接加簽
• 助教會公告作業 0 ，明天 (週五) 12:00 前完成
• 作業 0 跟機器學習無關，只是測驗基礎程式
能力
• 完成作業 0 就加簽，助教會公告授權碼取得
方式
11 .FAQ
• Q: 和上學期的 “Machine Learning” (ML) 有何不同？
• A: 基本上是一樣的，只是增加作業量和助教時
間。
• 如果上學期你有拿到 ML 的學分，禁止再修一次
• Q: 和這學期週五下午的 “Machine Learning and
having it Deep and Structured” (MLDS) 有何不同？
• A: ML 和 MLDS 內容完全不同
• MLDS 會著重於 deep learning 和 structured learning ，
且和 ML 不重複
12 .Welcome our TAs
TA 信箱：ntu.mlta@gmail.com
21 . What is
Machine Learning?
22 .What is Machine Learning?
Learning ......
“Hi”
“How are you”
You said “Hello”
“Good bye”
You write the program A large amount of
for learning. audio data
23 .What is Machine Learning?
Learning ......
“monkey”
“cat”
This is “cat”
“dog”
You write the program
for learning. A large amount of
images
24 .Machine Learning
≈ Looking for a Function
• Speech Recognition
f “How are you”
• Image Recognition
f “Cat”
• Playing Go
f “5-5” (next move)
• Dialogue System
f “Hi” “Hello”
(what the user said) (system response)
25 . Image Recognition:
Framework f “cat”
A set of Model
function f1 , f 2
f1 “cat” f2 “money”
f1 “dog” f2 “snake”
26 . Image Recognition:
Framework f “cat”
A set of Model
function f1 , f 2 Better!
Goodness of
function f
Training function input:
Data
function output: “monkey” “cat” “dog”
27 . Image Recognition:
Framework f “cat”
Training Testing
A set of Model
function f1 , f 2 “cat”
Step 1
Goodness of Pick the “Best” Function
Using f
function f f*
Step 2 Step 3
Training
Data
“monkey” “cat” “dog”
28 .Machine Learning is so simple ……
Step 1: Step 2: Step 3: pick
define a set goodness of the best
of function function function
就好像把大象放進冰箱 ……
热门城市
