背景
今天在 github 上看到了 datawhale 發佈的 李宏毅機器學習筆記。
https://datawhalechina.github.io/leeml-notes
其目錄如下：
- P1 機器學習介紹
- P2 爲什麼要學習機器學習
- P3 迴歸
- P4 迴歸-演示
- P5 誤差從哪來？
- P6 梯度下降
- P7 梯度下降（用 AOE 演示）
- P8 梯度下降（用 Minecraft 演示）
- P9 作業 1-PM2.5 預測
- P10 概率分類模型
- P11 logistic 迴歸
- P12 作業 2-贏家還是輸家
- P13 深度學習簡介
- P14 反向傳播
- P15 深度學習初試
- P16 Keras2.0
- P17 Keras 演示
- P18 深度學習技巧
- P19 Keras 演示 2
- P20 Tensorflow 實現 Fizz Buzz
- P21 卷積神經網絡
- P22 爲什麼要「深度」學習？
- P23 半監督學習
- P24 無監督學習-線性降維
- P25 無監督學習-詞嵌入
- P26 無監督學習-領域嵌入
- P27 無監督學習-深度自編碼器
- P28 無監督學習-深度生成模型 I
- P29 無監督學習-深度生成模型 II
- P30 遷移學習
- P31 支持向量機
- P32 結構化學習-介紹
- P33 結構化學習-線性模型
- P34 結構化學習-結構化支持向量機
- P35 結構化學習-序列標籤
- P36 循環神經網絡 I
- P37 循環神經網絡 II
- P38 集成學習
- P39 深度強化學習淺析
- P40 機器學習的下一步
由於李宏毅的課程內容通俗易懂，對於想入門機器學習又想看中文講解的人來說絕對是非常推薦的。
李宏毅（Hung-yi Lee）目前任臺灣大學電機工程學系和電機資訊學院的助理教授，他曾於 2012 年獲得臺灣大學博士學位。2012年9月至2013年8月，Academia Sinica信息技術創新研究中心博士後。2013年9月至2014年7月，麻省理工學院計算機科學和人工智能實驗室( CSAIL )語言系統組的訪問科學家。他的研究方向主要是機器學習（深度學習）和語音識別。
機器學習
課程目錄：
- 1、The Next Step for Machine Learning
- 2、Anomaly Detection
- 3、Attack ML Models
- 4、Explainable ML
- 5、Life Long Learning
- 6、Meta Learning - MAML
- 7、Meta Learning - Gradient Descent as LSTM
- 8、Meta Learning – Metric-based
- 9、Meta Learning - Train+Test as RNN
- 10、More about Auto-encoder
- 11、Network Compression
- 12、GAN (Quick Review)
- 13、Flow-based Generative Model
- 14、Transformer
- 15、ELMO, BERT, GPT
課程視頻：
https://www.bilibili.com/video/av46561029/
課程主頁：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html
深度學習
課程目錄：
- 1、Introduction of Machine Learning
- 2、Why we need to learn machine learning
- 3、Regression - Case Study
- 4、Regression - Demo
- 5、Where does the error come from
- 6、Gradient Descent
- 7、Gradient Descent (Demo by AOE)
- 8、Gradient Descent (Demo by Minecraft)
- 9、Classification
- 10、Logistic Regression
- 11、Brief Introduction of Deep Learning
- 12、Backpropagation
- 13、“Hello world” of deep learning
- 14、Keras 2.0
- 15、Keras Demo
- 16、Tips for Training DNN
- 17、Keras Demo 2
- 18、Fizz Buzz in Tensorflow (sequel)
- 19、Convolutional Neural Network
- 20、Why Deep
- 21、Semi-supervised
- 22、Unsupervised Learning - Linear Methods
- 23、Unsupervised Learning - Word Embedding
- 24、Unsupervised Learning - Neighbor Embedding
- 25、Unsupervised Learning - Auto-encoder
- 26、Unsupervised Learning - Deep Generative Model (Part I)
- 27、Unsupervised Learning - Deep Generative Model (Part II)
- 28、Transfer Learning
- 29、Support Vector Machine (SVM)
- 30、Structured Learning - Introduction
- 31、Structured Learning - Linear Model
- 32、Structured Learning - Structured SVM
- 33、Structured Learning - Sequence Labeling
- 34、Recurrent Neural Network (Part I)
- 35、Recurrent Neural Network (Part II)
- 36、Ensemble
- 37、Deep Reinforcement Learning
- 38、Policy Gradient (Supplementary Explanation)
- 39、Reinforcement Learning (including Q-learning)
課程視頻：
https://www.bilibili.com/video/av19144978/
課程主頁：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
深度學習理論
課程目錄：
- 1、Can shallow network fit any function
- 2、Potential of Deep
- 3、Is Deep better than Shallow
- 4、When Gradient is Zero
- 5、Deep Linear Network
- 6、Does Deep Network have Local Minima
- 7、Geometry of Loss Surfaces (Conjecture)
- 8、Geometry of Loss Surfaces (Empirical)
- 9、Generalization Capability of Deep Learning
- 10、Indicator of Generalization
課程視頻：
https://www.bilibili.com/video/av20961661
圖書推薦：
- 作 者：華爲區塊鏈技術開發團隊 著
- 出版社：清華大學出版社
- 作 者：[美] Roger，Wattenhofer（羅格.瓦唐霍費爾） 著，陳晉川 等 譯
- 出版社：電子工業出版社
- 作 者：楊保華，陳昌 著
- 出版社：機械工業出版社
- 作 者：裴堯堯 著
- 出版社：機械工業出版社
- 作 者：張健 著
- 出版社：機械工業出版社
相關圖文：