Python機器學習與深度學習入門 - Cupoy

20190222 Python機器學習與深度學習入門 - YouTube

本週影片主要涵蓋 1.課程規定與課程大綱介紹 2.python與jupyter notebook介紹 3.數據分析基本概念介紹 4.matplotlib套件介紹 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/01.%20%E7%94%A8%20Python%20%E7%95%AB%E5%80%8B%E5%9C%96.ipynb

作業1-1

作業1-2

20190308 Python機器學習與深度學習入門 1 - YouTube

本週影片主要涵蓋 1.python 程式設計基礎教學 >資料型態 >基本輸入輸出 >函數定義的方法 >迴圈的寫法 >條件判斷 >ipywidgets互動功能 2.Jupyter Notebook魔術指令,markdown,插入圖片或連結介紹 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/02.%20Python%20101.ipynb https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/03.%20Python%20%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90%E4%B8%BB%E6%B5%81%E7%92%B0%E5%A2%83%20Jupyter.ipynb

20190308 Python機器學習與深度學習入門 2 - YouTube

20190308 Python機器學習與深度學習入門 2 螢幕 - YouTube

20190308 Python機器學習與深度學習入門 3 - YouTube

作業2-1

20190315 Python機器學習與深度學習入門 螢幕 - YouTube

本週影片主要涵蓋 1.numpy介紹 2.sympy 介紹 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/04.%20%E6%95%B8%E5%AD%B8%E8%A8%88%E7%AE%97%E7%9A%84%E4%BA%8C%E4%B8%89%E4%BA%8B.ipynb

作業3-1

作業3-2

20190322 Python機器學習與深度學習入門 螢幕 - YouTube

本週影片主要涵蓋 1.pandas介紹 2.Git與Github介紹 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/05.%20Pandas.ipynb

作業4-1

20190329 Python機器學習與深度學習入門 螢幕 - YouTube

本週影片主要涵蓋 1.延續上週的pandas介紹 2.線性迴歸介紹 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/06.%20%E8%BF%B4%E6%AD%B8%E5%87%BD%E6%95%B8%E7%94%9F%E6%88%90%E6%A9%9F.ipynb

作業5-1

20190412 Python機器學習與深度學習入門 螢幕 - YouTube

本週影片主要涵蓋 1.類神經網路基本概念(NN,CNN,RNN)介紹 2.SVM,K-means介紹

作業6-1

20190419 Python機器學習與深度學習入門 - YouTube

本週影片主要涵蓋 1.神經網路基本原理推導 2.使用Keras搭建神經網路教學 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/07.%20%E6%A8%99%E6%BA%96%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF%E5%81%9A%E6%89%8B%E5%AF%AB%E8%BE%A8%E8%AD%98.ipynb https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/07.%20%5B%E8%A3%9C%E5%85%85%5D%20%E7%9B%B4%E6%8E%A5%E7%94%A8%E8%A8%93%E7%B7%B4%E5%A5%BD%E7%9A%84%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF.ipynb P.S. 本課程剛開始是神經網路數學原理推導，看完推導後可轉到第二支影片直接看螢幕錄影(神經網路搭建)

20190419 Python機器學習與深度學習入門 螢幕 - YouTube

作業7-1

20190426 Python機器學習與深度學習入門 - YouTube

本週影片主要涵蓋 1.進階Keras神經網路搭建 本週課程github連結: https://github.com/yenlung/AI_Math/tree/master/0426%20%5BNCTS%5D%20Python%20%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E8%88%87%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E5%85%A5%E9%96%80

作業8-1(*使用mnist 資料庫)

20190503 Python機器學習與深度學習入門 - YouTube

本週影片主要涵蓋 1.卷積神經網路基本原理推導 2.使用Keras搭建CNN教學 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/08.%20%E7%94%A8CNN%E5%9C%96%E5%BD%A2%E8%BE%A8%E8%AD%98%EF%BC%88%E9%82%84%E6%98%AFMNIST%EF%BC%89.ipynb

作業9-1(*使用mnist 資料庫)

20190510 Python機器學習與深度學習入門 - YouTube

本週影片主要涵蓋 1.遞迴神經網路基本原理推導 2.使用Keras搭建RNN教學 本週課程github連結: https://nbviewer.jupyter.org/github/yenlung/AI_Math/blob/master/09.%20%E7%94%A8RNN%E5%81%9A%E6%83%85%E6%84%8F%E5%88%86%E6%9E%90.ipynb

作業10-1

[問題] 用 RNN 做情意分析, 這次大家試試看能不能讓測試資料的正確率在 87% 以上。

20190517 Python機器學習與深度學習入門 - YouTube

本週影片主要涵蓋 1.VAE(變分自編碼器)介紹 本週課程github連結: https://github.com/yenlung/AI_Math/tree/master/0517%20%5BNCTS%5D%20Python%20%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E8%88%87%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E5%85%A5%E9%96%80

作業11-1

使用VAE來做手寫辨識，將最後的結果動態呈現出來，打造最好的呈現方式!想想在encoder找到兩張手寫數字 a, b 的 latent representation，然後從代表 a 的 latent 到代表 b 的 latent 拉一直線, 把線段中代表的圖用 decoder 畫出來，這個必須是動態的圖片變化，可參考上禮拜上課呈現出來中間那張圖的樣子

20190524 Python機器學習與深度學習入門 螢幕 - YouTube

本週影片主要涵蓋 1.GAN(生成對抗網路) GAN(Generative Adversarial Network) 兩個神經網路, 一個生成、一個判斷, 相互對抗! 簡單做個比喻： GAN是一場鑑定師與仿畫家的比賽，仿畫家畫出假畫讓鑑定師評斷有多接近真品，根據評斷結果再繼續畫出比原本更好的作品，鑑定師也會透過不斷練習提升鑑定水準，最後比賽的結果就是一幅可以以假亂真的機器畫。 深度學習的重要突破 以往訓練神經網路常是透過人類提供大量標記資料供機器分析練習（即監督式學習）比如知名的圍棋人工智慧AlphaGo前期的訓練，便是針對人類輸入的大量棋譜進行監督式學習而GAN透過自己相互對抗的生成與判別器網路，大幅減少資料量的需求，也為非監督式學習提供了更為進步的方法。

20190531 Python機器學習與深度學習入門 螢幕 - YouTube

本週影片主要涵蓋 1.強化學習 2.Q-learning 強化學習概念 主要概念為視 "環境" 執行 "動作"，並期望得到最佳收益或者利益。其核心概念就是 trial & error！ 強化學習四元素 Policy: 針對環境所因應的準則 Reward: 行為的Feedback (Ex: 加分或扣分) Value Function: 評估狀態的價值函數，狀態的價值即從當前狀態開始，期望在未來獲得的獎賞。 Model: 模擬環境