李宏毅機器學習？2024年，《機器學習》課程暫別，2025年或將繼續。此年，新設《生成式人工智能導論》與《生成式人工智能技術》(擬定)。自2016年起至2023年，每年均開設《機器學習》課程。2023年，技術革新，教育應有所變。以往，每年調整《機器學習》課程，以適應最新技術。然而，2023年變革顯著，決定新開一門課程。那么，李宏毅機器學習？一起來了解一下吧。
李宏毅，臺灣杰出的機器學習專家與教授，以其卓越成果與廣泛影響力在領域內獨樹一幟。
他雖未自立品牌，然而其名已成為機器學習象征。李宏毅以嚴謹教學及前瞻研究，推動領域普及與發展。全球廣受歡迎的視頻教程，被視為機器學習入門者的首選教材，使李宏毅成為品牌代表。其高質量教學與研究成就，彰顯其品牌價值。
2024年，《機器學習》課程暫別，2025年或將繼續。此年，新設《生成式人工智能導論》與《生成式人工智能技術》(擬定)。
自2016年起至2023年，每年均開設《機器學習》課程。2023年，技術革新，教育應有所變。以往，每年調整《機器學習》課程，以適應最新技術。然而，2023年變革顯著，決定新開一門課程。
《生成式人工智能導論》已開始更新，B站同步更新視頻。所有課程資料整理打包至云盤，公眾號回復【26】獲取。
此課程為《生成式人工智能導論》，面向基礎學習者，無需任何前置知識，不需先修機器學習或人工智能課程。對人工智能領域感興趣的初學者，這是一個理想起點。課程從基礎深入，使學員完成學習后，能探索更高級課程。
課程設計注重體驗，包含代碼編寫元素，即使無代碼經驗，助教會提供詳細指導和范例，確保學員跟上步伐。
對《生成式人工智能導論》課程感興趣者，趕快加入學習，抓住這一機遇！
本文討論的是一個圖像識別分類問題，主要介紹了在學習過程中遇到的基線代碼和最終實現的高分策略。首先，我們引入的是基于圖像識別的機器學習項目，具體信息可參閱2023年ML課程網站（ntu.edu.tw）及提供的基線代碼（google.com）。
通過運行基線代碼，我們觀察到了不同層次的基線實現。初始的簡單基線（0.63733）在理解問題的基礎上進行簡單的模型構建。接著，中等基線（0.70000）引入了圖像數據增強，這一策略在識別性能上有顯著提升。具體而言，未進行數據增強的訓練準確性圖表明，圖像數據增強是提高模型表現的關鍵因素。
進一步，優化策略中包含了一個有趣的技巧：通過調整DataLoader的并發數量（Train用4~8個并發，persistent_workers=True，Test用2個并發），可以將訓練時間顯著縮短至9秒一輪，同時CPU核的使用率達到滿載，支持多個訓練任務并行執行，從而加快了實驗進程。
在更高層次的基線（0.81400）中，采用了更復雜的策略，如使用預定義的CNN模型（如resnet）并加入dropout、增加訓練輪數、提高數據變換復雜度等。在深度學習實踐中，這些策略有助于模型的泛化能力。
作業來源源自2022Spring的ML2022Spring-hw2任務，任務來自Kaggle平臺，涉及語音數據處理與機器學習中的分類問題。數據部分包括.pt格式的語音樣本，可通過torch.load讀取，樣本編號存于_split.txt，而音素識別結果則記錄在_labels.txt中。為了構建更豐富的訓練樣本，需將每個音頻幀（39維）前后延伸5幀，形成11幀的樣本。
數據預處理和合并的函數設計復雜，但無需修改，最終能夠處理大規模的訓練集，達到百萬級規模。模型設計采用多層神經網絡，當hidden_layers設置為4時，實際上有5層，首層負責接收輸入。網絡結構的定義采用*[a,b,c]形式作為參數傳遞。
在模型訓練中，采用特定的損失函數和優化器，如增加stepLR學習率調度器，每10輪調整學習率。訓練函數的實現也至關重要，而超參數的選擇則關乎模型性能的關鍵。一個基礎的優化策略是：通過增加拼接幀數至17，將準確率從0.4提升至0.6以上；增加訓練輪數至30輪，根據訓練輸出判斷過擬合情況；調整網絡結構，如設置4個hidden_layers，每個層的hidden_dim設為1024，可使準確率超過0.7。
