李宏毅机器学习？2024年，《机器学习》课程暂别，2025年或将继续。此年，新设《生成式人工智能导论》与《生成式人工智能技术》(拟定)。自2016年起至2023年，每年均开设《机器学习》课程。2023年，技术革新，教育应有所变。以往，每年调整《机器学习》课程，以适应最新技术。然而，2023年变革显著，决定新开一门课程。那么，李宏毅机器学习？一起来了解一下吧。
李宏毅，台湾杰出的机器学习专家与教授，以其卓越成果与广泛影响力在领域内独树一帜。
他虽未自立品牌，然而其名已成为机器学习象征。李宏毅以严谨教学及前瞻研究，推动领域普及与发展。全球广受欢迎的视频教程，被视为机器学习入门者的首选教材，使李宏毅成为品牌代表。其高质量教学与研究成就，彰显其品牌价值。
2024年，《机器学习》课程暂别，2025年或将继续。此年，新设《生成式人工智能导论》与《生成式人工智能技术》(拟定)。
自2016年起至2023年，每年均开设《机器学习》课程。2023年，技术革新，教育应有所变。以往，每年调整《机器学习》课程，以适应最新技术。然而，2023年变革显著，决定新开一门课程。
《生成式人工智能导论》已开始更新，B站同步更新视频。所有课程资料整理打包至云盘，公众号回复【26】获取。
此课程为《生成式人工智能导论》，面向基础学习者，无需任何前置知识，不需先修机器学习或人工智能课程。对人工智能领域感兴趣的初学者，这是一个理想起点。课程从基础深入，使学员完成学习后，能探索更高级课程。
课程设计注重体验，包含代码编写元素，即使无代码经验，助教会提供详细指导和范例，确保学员跟上步伐。
对《生成式人工智能导论》课程感兴趣者，赶快加入学习，抓住这一机遇！
本文讨论的是一个图像识别分类问题，主要介绍了在学习过程中遇到的基线代码和最终实现的高分策略。首先，我们引入的是基于图像识别的机器学习项目，具体信息可参阅2023年ML课程网站（ntu.edu.tw）及提供的基线代码（google.com）。
通过运行基线代码，我们观察到了不同层次的基线实现。初始的简单基线（0.63733）在理解问题的基础上进行简单的模型构建。接着，中等基线（0.70000）引入了图像数据增强，这一策略在识别性能上有显著提升。具体而言，未进行数据增强的训练准确性图表明，图像数据增强是提高模型表现的关键因素。
进一步，优化策略中包含了一个有趣的技巧：通过调整DataLoader的并发数量（Train用4~8个并发，persistent_workers=True，Test用2个并发），可以将训练时间显著缩短至9秒一轮，同时CPU核的使用率达到满载，支持多个训练任务并行执行，从而加快了实验进程。
在更高层次的基线（0.81400）中，采用了更复杂的策略，如使用预定义的CNN模型（如resnet）并加入dropout、增加训练轮数、提高数据变换复杂度等。在深度学习实践中，这些策略有助于模型的泛化能力。
作业来源源自2022Spring的ML2022Spring-hw2任务，任务来自Kaggle平台，涉及语音数据处理与机器学习中的分类问题。数据部分包括.pt格式的语音样本，可通过torch.load读取，样本编号存于_split.txt，而音素识别结果则记录在_labels.txt中。为了构建更丰富的训练样本，需将每个音频帧（39维）前后延伸5帧，形成11帧的样本。
数据预处理和合并的函数设计复杂，但无需修改，最终能够处理大规模的训练集，达到百万级规模。模型设计采用多层神经网络，当hidden_layers设置为4时，实际上有5层，首层负责接收输入。网络结构的定义采用*[a,b,c]形式作为参数传递。
在模型训练中，采用特定的损失函数和优化器，如增加stepLR学习率调度器，每10轮调整学习率。训练函数的实现也至关重要，而超参数的选择则关乎模型性能的关键。一个基础的优化策略是：通过增加拼接帧数至17，将准确率从0.4提升至0.6以上；增加训练轮数至30轮，根据训练输出判断过拟合情况；调整网络结构，如设置4个hidden_layers，每个层的hidden_dim设为1024，可使准确率超过0.7。
