| |
 |
本期課程內容仍屬於機器學習中的監督式學習（Supervised Learning）分支，囊括機器學習過渡到深度學習的重要概念，包含最佳化機器學習損失函數的優化演算法：梯度下降法、小批量梯度下降法、隨機梯度下降法等。感知器演算法初始為模擬簡單神經元樹突、突觸、細胞體及軸突傳遞神經傳導物質激活動作電位的生理機 |
|
 |
|
|
轉的二元線性分類器，用以處理線性可分問題；而為了達成演算法最佳化，誤差反向傳遞法被提出，並透過適應性學習率及物理動量進行改良。
|
|
機器學習4：
感知器學習（Perceptron Learning）、多層前饋類神經網絡（Multilayer Feed-forward Neural Network，MFNN）、梯度下降法（Gradient Descent）、誤差反向傳遞法（Error Backpropagation，BP）、
小批量梯度下降法（Mini-batch Gradient Descent）、隨機梯度下降法（Stochastic Gradient Descent，SGD）
|
 |
機器學習5：
反向傳遞法的困境（Problems of Backprop）、訓練資料正確標註（ground truth）、基線（baseline）、資料集分類（訓練集 training set、 驗證集 validation set、測試集test set）、資料擴增（Data Augmentation）
|
|
|
|
