【機器學習2021】預測本頻道觀看人數 (上) - 機器學習基本概念簡介

[@Ordinary_People_2024.]

5:05 1.regression：藉由過去參數去預測未來 2.Classfication：選擇題，讓Ai去做選擇 8:09 3.structure learning:叫AI產生一段文章、內容、圖（創作） 11:00 15:10 15:11 22:46 25:02 Error Surface 損失函數（MSE MAE） 紅色：損失函數大、不佳 藍色：損失函數小、佳 39:45 梯度和學習率的關係 40:30

[@frankshyu8810]

時隔五年重新回來修老師的課程，雖然隔著一個太平洋，還是收穫滿滿！

[@Victoria淩夏]

感谢李老师！您真的是世界上我听过讲机器学习最好的老师！没有之一！深入浅出通俗易懂！我真的好感动！

[@jackzhang2811]

看了老师的第一讲，感觉相比以前所参考的各类资料，这个是最通俗易懂的，有信心跟随老师进入Deep Learning的世界，为以后研究生时代打好基础～😊

[@Victoria淩夏]

您真的是太寶藏的老師！寶藏的KZbin！例子具體生動形象！真的是太棒了！

[@tien-hsinglin3551]

十分慚愧，上學期修的時候都沒有好好看影片，只有作業出來才去寫，現在趁暑假還有時間趕快從頭學一次，也恭喜老師突破十萬訂閱!

[@vilianfung7290]

如果早遇到这样的老师和课程，能少走几年弯路

[@Victoria淩夏]

贊同

[@nianruby]

謝謝老師分享這麽好的課程❤️我的背景是做藝術設計的人，沒想到我都聽得懂，也透過了解這樣的底層邏輯，我目前訓練的LoRA終於越來越好，都是因為有您這樣的基礎介紹，把底子打好，現在就不這麼害怕了

[@素质玩家祖安区]

老师您也太好了吧！！！爱死这门课了 我要认认真真学习机器学习算法！

[@刘卓-d5n]

老祖安人了

[@ridoo8605]

何人不识祖安区🐸

[@flisztf5333]

准备劳动节把老师的课好好的看一遍，老师的中文深度学习课程是全网最好的，没有之一😁

[@ruruxu1475]

老师我爱死你了，看了机器学习、深度学习、强化学习，每门课都讲的太好了

[@張峻嘉-k5o]

感謝教授 大慈大悲XD 分享這麼優質的內容 普渡眾生 讓我們能快速理解核心 少走很多彎路 感恩您

[@xiaoyuyang9187]

机器学习的大师很多，但是能给人讲明白的却很少，老师太棒啦

[@breezeyang659]

完全开源的课真的好棒！谢谢老师！

[@yoyo9207]

老师讲的太好了，深入浅出，没有知识基础的人也听得津津有味

[@meiguboshi]

谢谢李老师，例子非常生动，即便没有基础也能领会老师想讲的东西，再次感谢

[@YenChou-rq8um]

跟寶可夢完全沒有關係的故事😂😂 被這句話戳到笑點了

[@yvainepan6988]

hhhhhhhh

[@陳翰儒-d5m]

謝謝老師用如此幽默的方式講解這些概念~

[@Angle_Juebi]

真的讲的不错，今年考上研究生了，老师丢了篇论文给我让我学习，我之前没接触过人工智能，那篇论文根本就一点都看不懂，自己学了一点机器学习之后感觉还是云里雾里，找资料的时候就看到了有同学推荐李宏毅教授的课，刚看了前几个章节，真的讲的好清楚，老师的声音也很有激情，还是免费课，真的太棒了！

[@yuqinie9742]

上完课回来评价，这是我看过最好的机器学习课程

[@nalaw.5854]

wow 有老师的新课可以刷了 开心啊 谢谢老师！

[@刘东明]

讲的真好，浅显易懂

[@elkyelkyelky]

看完了谢谢老师超精彩的【機器學習基本概念簡介】

[@鄭宏翊-r6t]

謝謝李老師，最近工作需要用到機器學習，您的影片幫助我很快地複習機器學習的概念，讓我又可以很快的進入到狀況。

[@tiger8938]

在电子工程领域从业多年，希望能够继续学习扩展自己的知识。刚刚上过coursera上deep learning specialization五门课。发现李老师的2021课程系列，如获至宝。

[@Victoria淩夏]

先生最高🎉

[@kuo-hunglo8379]

個人覺得，若是統計資料尺度的interval scale是做相減處理；若是ratio scale的loss function可以用相除。聽完這一集的啟發，感謝！

[@shanshanye9702]

李老师真的讲的太好了！！！听A.N.的课听不懂，过来听老师的课马上就听懂了。快要感动到哭，找到宝藏了。

[@YiRan-SaintLouis-Missouri]

今年七月去美国读数据科学了，老师的视频让我又复习了一遍机器学习，受益匪浅

[@Blazar-f1m]

謝謝老師，最近在鑽研機器學習的部分，有這個開放式課程太好了

[@neopablo888]

深入浅出，优秀老师的最高境界

[@玉龙汤]

the best machine learning lecture i'v ever watched, thanks a lot!!!

[@南宫贇]

感谢老师，让我能学习到机器学习方面的课程。大陆这边涉及到机器学习都是培训班授课的，收费非常贵。

[@陳德沛-d5u]

聽聞老師大名特地來拜聽，不愧是老師，說得太好了

[@mirai1556]

老師，請問一下 47:05 這裏的 每一個Wj是如何找到的。是將model視作y=b+WjXj（j=1,2,3...）求出來的嗎

[@待到烟火清凉]

老师讲的确实很好

[@eggyeh2119]

老師人好好！！又好幽默！還附上pdf 根本佛祖來的QQ 身為貴校隔壁學校的學生 直接看爆QQ (主要是聽不懂學校老師在講啥...

[@simonfox-jd9rm]

听过最清晰明了的中文ML教程！

[@mrjeffreylai]

可否用機器學習的方法把音軌的回音去除？

[@gacctom]

之前就聽過老師的課程~來重頭開始修起!

[@會游泳的蜜獾]

大陆生狂喜，能感受到老师对于学术的热情，认真负责。

[@patrickruan2290]

老師，元宵節快樂!

[@阮晟堯]

請教一下在 32:44 的地方 w1

[@33lee61]

27:07 這邊再看一下

[@ziyangji9485]

assume slope is negative

[@jocelyn3923]

我想通了ヽ(✿ﾟ▽ﾟ)ノ 假設斜率為x，按照老師的說法，若微分出來的斜率為負（-x），是左高右低的形狀，而要往低走的話（右邊），w1需要大於w0。 所以我們需要透過減掉微分項：w1 = w0-(-x)*η ，來得到w1 = w0+x*η。Vice versa！ 嗚嗚其實很簡單但我想很久_(:з)∠)_

[@patrickruan2290]

有理解了嗎？沒有的話，可以回小嫩嫩討論。

[@阮晟堯]

@@patrickruan2290 居然在這邊被抓到xD

[@paulfan-vv3lf]

翻墙来听课，李老师讲的通俗易懂，谢谢李老师！

[@jhong4321]

👍谢谢，讲得通俗易懂。

[@TeddyLeo-rw9hj]

老師 周五六大家不想學的原因主要是邊際遞減（心理學）的原因。同學們一到五一直上課，到了五六實在憋不住沒有多的心思在繼續學習，此時玩樂給的utility會較高。而至於週日可能大家都還是認真向學，至少不會拖到週一才開始唸書吧。

[@FallMaple]

真的教的很好 感謝老師的課程

[@yuandaying2659]

簽到，黑暗大陸那段實在幽默不失風趣

[@xuanhongguo7458]

被推薦來看的鄉民，該訂閱了

[@姜金奇]

老师的课通俗易懂，很适合小白入手

[@liyitong360]

谢谢老师！讲得好好啊

[@kelinzhou1747]

开始复习，很久之前看过，但现在好像更新了很多内容

[@sashley6882]

慕名而来，绝对吊打各种付费机构的课程！不愧是台大的，就是精品！

[@Victoria淩夏]

真的是！讲得太好了！我真的好感动！谁懂！

[@yin8421]

大學生不可能不知道微分是什麼，所以用一個人站在那個位置上左右環視來說明是為了讓網路上的人也可以看懂吧。

[@egg_fried_rice_master]

谢谢老师，中秋快乐！

[@chen39yi]

我发誓要看完这位老师的大部分课程

[@hughzcl7893]

讲的好清晰，顶！！！

[@shanggangli369]

太好了。出新片啦。

[@yp05327]

星期日开始播放量上升，而不是星期一，有没有一种可能是因为有时差？

[@atreasurehunter]

请问loss function的例子里面，global minimum 是负值，最小的loss不是零吗？

[@TingYuanChang]

30:21 有同學問這個問題，老師也有回答

[@patrickruan2290]

對，老師有回答，反正就是 loss function 可以自己設立，只要合理（當然還要有效，比如提供不錯的梯度等），所以自己設立的數學式，有可能有負值。

[@qilinsun7046]

礼拜五和礼拜六会不会是因为时差？不知道youtube data analysis 用的时间是PST还是台湾的时间？ 有可能台湾的周末，会不会是对应了PST的周五周六？

[@cryptoinside8814]

I'm not sure it's the teacher, but listening in Chinese, the explanation is very simple and clear....but none of the English speaking instructors can teach this topic well. They are all stuck on jargons and unable to explain what each jargon really means. Perhaps it's a language thing. In Chinese, the Chinese characters making up the jargon phrase would, most of the time, indicate what the meaning of the jargon is, but in English the jargon does not indicate the meaning...it's just a vocabulary and many times it's completely a new vocabulary. This is an interesting observation.....perhaps this makes learning in Chinese easier than learning in English ? So Chinese people are smarter because of this learning effect ? I'd like to hear your comments.

[@lovesyouanthony9600]

讲的真好

[@chenwilliam5176]

循序漸近、融會貫通學的教 學，只要有高中數學基礎即可 🎉

[@xinyuhu2253]

求导可以直接用定义式来计算吧？把下一天的值减去当天的值再除以一，因为不能再细分到半天或每一小时，所以离散数学只能这么做来求导数。

[@王咖啡-y7i]

optimization過程中是用w對L求導，w是weight不是天

[@Cat.the.Roblox.girl.]

感謝老師的分享!

[@MrPopokokotw]

收音的好壞也是一個Parameters。

[@ryank8463]

請問2021的版本跟第一個版本有什麼樣的差別呢? 不知道要上哪個版本的

[@HungyiLeeNTU]

可以先看 2021 的版本，2021的版本中會提到一些過去的錄影，有需要再回去看

[@ryank8463]

@@HungyiLeeNTU 謝謝您，您的上課影片真的令人醍醐灌頂

[@xxxxxxx865]

老师能把助教写的作业题目发出来吗？

[@阿賴-f3k]

27:07 感謝老師謝謝🙏

[@choikluivertchoi4635]

老师说得太好了

[@jogli8150]

老師您好，用偏微分取極值，會不會有機會剛好取到極大值，反而讓Loss極大化呢？謝謝老師

[@閃亮亮山羊]

取點確認是極值之後先丟回原式看是極大還是極小應該就可以了吧（我猜

[@zanbinhong314]

老師請請問ppt可以加上頁碼嗎？這樣在讀ppt對照影片或提問時比較方便

[@HungyiLeeNTU]

好啊😁

[@HungyiLeeNTU]

如果這學期有修課的話，可以在 NTU COOL 上發問，因為我比較不常看 YT 留言

[@alencchang1515]

@@HungyiLeeNTU 二月約二月二餓二月二月厄爾遠愛

[@user-yw1gw6gm4x]

哈哈 可能是因为大家周五周六玩，周日猛然发现快上学了，出于焦虑赶紧周日看看课

[@gae586]

Why is there the HXH map

[@ethanliang2882]

我很喜欢这种幽默调侃方式的教学模式，而且演示的例子也是很通俗易懂接地气😀，相反内地的关于ML课程教学模式有点太严肃和theoretical。

[@solutions-ai]

有付费的课程吗？还是都是开放课，或则有渠道可以支持老师吗。感谢老师

[@xxld09]

2021 跟宝可梦完全没有关系的船新版本

[@joeyyyy0230]

19:00 請問y hat不是指估計值嗎?

[@gausseking]

我也是以为是估值。似乎这里反了？

[@张钦纪]

讲的真的超级棒 呜呜

[@xadxxadx2]

複習想請問問個問題, 一般更新權重都是 gradient * learning rate, 但是在高原區不是反而應該要高的更新率才有效率嗎? 這問題可以只靠Optimizer momentum 就完全克服嗎? 如果Erroe Surface 有超長的高原區有解決方案嗎? 謝謝~

[@patrickruan2290]

一路從 adagrad, rmsprop, momentum, 到 adam，沒有實驗，單純思考，好像真的比較是靠 momentum 還有 batch size 可以比較有些幫助。但是對於超長的高原區可能還是幫助有限，比如我們用 sigmoid(rms) 有時候會訓練不起來...

[@zyhuang9909]

请问TA的部分是只有slides 没有录像吗

[@HungyiLeeNTU]

speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.html 助教講解作業的錄影都在這裡

[@theRealKingOfTheHill10]

感觉李老师新版的ml主要是深度学习？看syllabus感觉传统机器学习覆盖的不多，有没有上完的同学解答一下？

[@福运汪]

是的，ml的部分可以看旧版的课程

[@GoodEnough030]

只是這個作業 沒有辦法參與 都不知道怎麼把學到的實作一下哈哈

[@patrickruan2290]

看 2017 版，我覺得超棒的。

[@kuo-hunglo8379]

看了李大神的課，才發現機器學習竟可以完全不用從統計學的角度切入。拜學了！搞統計的人立馬會想到用時間序列模型。

[@lch99310]

不對啊 老師 您說您沒開營利 那為什麼還會有廣告？ Google要偷賺？

[@HungyiLeeNTU]

現在沒有開營利的頻道，YT 也會下廣告了( support.google.com/youtube/thread/83733719 )

[@zhanjiechen800]

老师，w和b是不是要同步更新呢，如果先最优w，再最优b，结果会一样么。

[@patrickruan2290]

沒影響，因為 更新 w1 ==> w2 時, b 是固定在前一個 update 的值 b1，更新 b1 ==> b2 時, w 是固定在前一個 update 的值 w1。計算機執行時，會用矩陣運算同時進行吧。

[@guanwang4193]

谢谢老师！！！

[@tengma8075]

我在读其他材料的时候 有说y是真实值 y_hat是预测值 跟老师正好相反XD

[@chihpoc]

y_hat is predicted/estimated

[@jackofalltrades1202]

這邊對符號運用不是很精準

[@frankfang2902]

李老师，我的超人

[@junzhou8364]

谢谢老师！

[@Yuuki_886]

請收下我的膝蓋 萬歲!

[@peterkuo5307]

禮拜天比較多人看其實很合理，不少人為了減輕Monday Blue，其實在周日晚上就已經先收心了

[@penghuang3373]

合理

[@coco-il4gr]

老师太强了

[@cumminchen5006]

老师，请问线性代数2020什么时候更新呢？

[@HungyiLeeNTU]

感謝你的詢問，因為去年下半年突然發生很多事情，線性代數的投影片實在是沒有時間大改，所以線性代數的內容跟 2018 年講的內容差不多，所以就沒放到 KZbin 上

[@d31003]

觀看人數的pattern或許是因為禮拜天隔天要交作業，禮拜五六不用吧

[@HungyiLeeNTU]

有道理，不過這門課的作業死線通常是週五呀

[@d31003]

@@HungyiLeeNTU 老師已經是兩岸三地的KZbinr了

[@akatsuki4298]

谢谢老师

[@xyde-el4wd]

谢谢分享

[@吴志强-g4b]

终于可以跟着一起学了，再来巩固一下

[@WonderWander9898]

老師講的很淺顯易懂，但老師，麥克風可不可以換ＸＤ

[@kilig2770]

大赞👍