我们9月份介绍过台湾大学推出的“机器学习基础”，现在它的进阶课程也来了：“机器学习技术”。这门课将先前“机器学习基础”课程中所学的基础工具往三个方向延伸为强大而实用的工具。三个方向包括嵌入大量的特征、融合预测性的特征、与萃取潜藏的特征。主讲教授将复杂枯燥的理论讲解地通俗易懂，又是中文课，很适合国内小伙伴选修，12月23日开课
去报名
同类课程：
机器学习基础（台湾大学）
https://www.coursera.org/course/ntumlone
机器学习（斯坦福Andrew Ng主讲，带中文字幕）
https://www.coursera.org/course/ml
课程概述
欢迎大家！这门课将採用英文投影片配合华文的教学讲解，我们希望能藉这次华文教学的机会，将机器学习介绍给更多华人世界的同学们。课程中使用的英文投影片不会使用到艰深的英文，如果你能了解以下两段的课程简介，你应该也可以了解课程所使用的英文投影片。
授课大纲
以下的每个小项目对应到约一小时的线上课程
Embedding Numerous Features [嵌入大量的特徵]
— Linear Support Vector Machine [线性支持向量机]
— Dual Support Vector Machine [对偶支持向量机]
— Kernel Support Vector Machine [核型支持向量机]
— Soft-Margin Support Vector Machine [软式支持向量机]
— Kernel Logistic Regression [核型罗吉斯迴归]
— Support Vector Regression [支持向量迴归]
Combining Predictive Features [融合预测性的特徵]
— Bootstrap Aggregation [自助聚合法]
— Adaptive Boosting [渐次提昇法]
— Decision Tree [决策树]
— Random Forest [随机森林]
— Gradient Boosted Decision Tree [梯度提昇决策树]
Distilling Hidden Features [萃取隐藏的特徵]
— Neural Network [类神经网路]
— Deep Learning [深度学习]
— Radial Basis Function Network [逕向基函数网路]
— Matrix Factorization [矩阵分解]
Summary [总结]
先修知识
我们希望修课的同学对於基本的微分、向量与矩阵运算、及机率的工具有所了解。有些作业会需要写作或执行一些程式，所以我们建议修课的同学能在你所熟悉的平台上有一些程式写作的背景。我们假设修课的同学们已经学过「机器学习基石」或同等课程。
参考资料
这门课的录影课程及投影片应该足以帮大家了解所有的内容。有关开课前的预备知识，我们推荐有兴趣的同学们阅读 Learning from Data 一书，该书包含了本课程所需的大部份背景知识。
授课形式
这门课主要以线上录影课程及其中的小测验组成，每两週我们会有另外的作业练习。
常见问题
我在完成课程后，是否能得到「修业合格证明」?
是的，当同学成功地达成课程的基本要求后，即可收到由授课老师签署的「修业合格证明」。
修习此课需要哪些设备/资源？
在有些作业的问题中，你需要在某些计算平台上执行程式，而你可以使用任何你所爱的程式语言。如果你正确的撰写演算法，在一般的个人电脑上，每次作业所需的「机器时间」应该不到一天。所以你不需要超快的运算资源。
我在此课程可以有什麼收穫？
对机器学习中最热门的工具有坚固的了解！
