What is Machine Learning?

1 .Introduction of this course 李宏毅 Hung-yi Lee 

2 .Policy 

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 

10 .參考書籍 

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 

13 .作業零 許宗嫄 李佳軒 

14 .作業一 楊靖平 李佳軒 

15 .作業二 葉政杰 蔡哲平 

16 .作業三 徐瑞陽 陳奕禎 

17 .作業四 方為 茅耀文 

18 .作業五 周儒杰 王耀賢 

19 .作業六 王上銘 宋昀蓁 

20 .大助教 –盧柏儒 臉書社團管理 陳冠宇 

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 …… 

29 .Learning Map