你對「機器學習」有興趣嗎？由台大資工系林軒田副教授在Coursera開設的熱門課程「機器學習基石」首次在YouTube大公開！獻上完整影片清單：https://goo.gl/bAEbKK
Are you an engineer interested in learning more about AI? "Foundations in Machine Learning”, one of the most popular courses on Coursera, is led by Hsuan-Tien Lin, Assiciate Professor of Computer Science and Information Engineering at National Taiwan University. It's available on YouTube now (in Chinese) for free. Professor Lin is an old friend of our CEO Chih-Han and a wonderful professor, so enjoy. https://goo.gl/bAEbKK
機器學習基石 在 [評價] 106-2 林軒田機器學習技法- 看板NTUcourse - 批踢踢 ... 的推薦與評價
※ 本文是否可提供臺大同學轉作其他非營利用途？（須保留原作者 ID）
（是／否／其他條件）：是
哪一學年度修課：
106-2
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
林軒田
λ 開課系所與授課對象 (是否為必修或通識課 / 內容是否與某些背景相關)
資工系 / 資工所
有修過老師的機器學習基石為佳 (今年是有修過基石的都能上)
δ 課程大概內容
Topic 1 : How can machines learn by embedding numerous features ?
- Linear / Dual SVM
- Kernel SVM
- Soft-Margin SVM
- Kernel logistic Regression / SVR
Topic 2 : How can machines learn by combining predictive features ?
- Blending / Bagging
- Adaptive boosting
- Decision Tree
- Random Forest
- Gradient boosted Decision Tree
Topic 3 : How can machines learn by distilling hidden features ?
- Neural Network (Backprop)
- Tricks on Neural Network (momentum, adam, relu, dropout)
- Matrix Factorization
Ω 私心推薦指數(以五分計) ★★★★★
★ ★ ★ ★ ★
η 上課用書(影印講義或是指定教科書)
老師的課程講義 (在老師的個人網站有公佈)
μ 上課方式(投影片、團體討論、老師教學風格)
大多數課堂以播影片進行
少數幾堂由老師親自授課
(Neural Network那裡老師說有些東西過時了要自己講)
σ 評分方式(給分甜嗎？是紮實分？)
作業 * 3 + Fial Project * 1 (沒有考試)
覺得算是紮實分吧，有努力有收穫
ρ 考題型式、作業方式
- 作業
作業形式跟機器上學期的學習基石差不多
每次是約16題的基礎題+2題Bonus
計算題都是 計算 / 證明題
另外也會有程式題
作業難度好像越來越簡單(SVM真的大魔王啊QAQ)
- Final Progect
期末專題這學期是三人一組
就是實際上去Train某個dataset
基本上每個人每天有超級多次上傳機會
(跟Kaggle不同，是自己架的server)
報告會要求要用多種Machine Learning技巧去實現
學期最後要交一份報告這樣
ω 其它(是否注重出席率？如果為外系選修，需先有什麼基礎較好嗎？老師個性？
加簽習慣？嚴禁遲到等…)
建議先修完老師的「機器學習基石」再來修老師的技法
首先是比較容易加簽到
另外就是可以先習慣老師的作業跟上課的用詞
然後不點名，作業跟期末專題好好做就可以學到很多分數也會好看
Ψ 總結
寫這篇評價文主要是發現好像都沒有ML Tech的評價
所以就來講一下我個人的看法這樣XD
個人覺得這門課遠超過兩學分的重量
然後因為上課內容在youtube都有錄影
如果沒有去上課又沒有自己花時間跟影片的話
到寫作業的時候可能會非常非常的辛苦.......
另外大推老師在講Topic 2有關於Ensemble的地方
個人覺得是這門課最精華的地方
不管是最基本的Bagging / Blending
或者是經典的Decision Tree / RF
老師都能講的讓人清楚理解他的算法
另外Adaboost跟Gradient Boosted Decision Tree的部分
講的真的很好
把這兩個演算法講的超美 <3
再講一下 MLF / MLT 和電機系的機器學習的差別
因為有蠻多朋友問的所以就在這裡分享我自己的看法
軒田老師這兩門課會花比較多的時間在講理論跟數學的部分
在寫完作業後是確實可以了解整個演算法在做什麼
而電機系的機器學習每次作業則是Kaggle競賽
如果作業都有好好做的話確實是可以比較熟悉機器學習實作的部分
不過修完後其實不見得每個Topic的理論方面都很清楚
(因為大多都是使用套件然後Tune參數、Ensemble一堆model.......)
另外電機系那門課很快就進入Deep Learning了
比起軒田老師的課
古典的SVM / Ensemble等算法算是草草帶過吧
(但相對的軒田老師的課在Deep Learning就沒講那麼多)
個人覺得理論跟實作還是要相輔相成啦
各位在考慮要修哪門課的時候
可以多加思考自己想要的是什麼再做決定
最後總結一句
如果對Machine Learning有興趣又有餘裕的話
覺得這門課應該要修這麼一次
你會感受到機器學習除了Tune參數之外
還有很堅實的數學基礎
跟很多漂亮的古典Machine Learning方法
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.16.129
※ 文章網址: https://www.ptt.cc/bbs/NTUcourse/M.1533286639.A.F38.html
※ 編輯: patrickwu2 (140.112.16.129), 08/03/2018 16:58:39
※ 編輯: patrickwu2 (140.112.16.129), 08/03/2018 17:00:42
... <看更多>