※ 引述《ctr1 (【积π】)》之铭言： : 想请问版上的先进 : 在资料科学 机器学习 深度学习这领域上 : 统计系所 资工系所 : 差异性在哪里呢 : 感谢各位了 看到有人这样问，就让我勾起以前一样的疑惑，到底统研所和资工所的ML有何差别 目前已上过统研所的ML（统研所叫统计学习或者和计算统计重叠）和正在上资工所的ML。 虽然还是才疏学浅，但还是提供目前小小观点，如果有错，请大神指正。 至於深度学习，我目前也只是碰一点点ＮＮ，仅此而已。所以无法提供观点比较。 统研所的统计学习和计算统计，基本上教科书就是ＥＳＬ 先讲统计学习： 从统计观点出发，以Linear Regression开始，你读到後面会发现很多模型假设都是有线性回归的影子在。 参数到非参数（Splines应该就算是最主要的诠释，你会发现有线性回归的fu） 但是，我在学的过程中，很困惑，为何学一堆方法，然後就直接用Ｒ跑，That's it! 老师上课证明证明证到大家睡着，还记得他证Back Propogation让我大吃一惊，怎会有人想出这演算法。 但是呢，我就曾经问过老师，我手上有一笔资料，那我要如何评断我的model,难不成只能说这方法预测效果比较好。 还记得老师那时候说：I never know. 事後我觉得也对，每个资料有每个资料的属性，哪些资料用哪些方法效果比较好，可能就是那些内行人的秘方 至於什麽trees, random forest, neural network都会讲到，也会写数学推导。 所以我目前觉得统研所的观点偏很数学。 至於程式设计，老师根本没有要你写程式。说用Ｒ跑就可以了。 再来计算统计： 当然从课名就知道是从计算机角度看统计，你会用很多gradient descent, hessian matrix 去找ＭＬＥ什麽的，基本上就是从演算法角度去求解统计需要的optimization和sampling问题。 我在修的时候，作业几乎都有coding，考试却考你一堆数学推导，那时候真的修的很痛苦 要同时顾及coding和数学题目其实loading有点大。 现在在上资工所的ＭＬ，教科书大多都是用ＰＲＭＬ，这本我觉得满有机率论的fu 正在上的感觉是主要就是分clustering, supervised and non-supervised 没有偏哪一门，反倒统计主要是以supervised learning为主。 没有考试，只有作业和projects，上课数学推导没有很多，直接给你直观的解释。 然後就要叫你写k means, GMM之类的，就是start from scratch CS的训练本来就是这样，你听完老师上课，剩下就是你要去实现它。 这就是我觉得stat和cs最大的不同。 但是，我自己感觉ＣＳ的人会困惑这些数学式子，stat会苦於无法把自己的模型实现。 如果你是可以读统博的人，我觉得修哪都没差，但如果你只有硕士，我觉得还是学ＣＳ的ＭＬ比较好。 因为统硕学的，你去外面给人讲，会让人觉得你只是懂会讲，至於那些engineering side，可以立即看到产出的，你无法给外人看到东西。 自然会让人觉得是不是只是空有一张嘴巴ＸＤ 但是我觉得还是看各个学校拉，有些统研所老师也是资工所老师，所以我觉得还是有差别。 如果你的统研所老师是那种纯数学出身，八九不离十他的ＭＬ一定很多数学推导 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.37.136.176 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1591335143.A.C8E.html ※ 编辑: fsuhcikt1003 (114.37.136.176 台湾), 06/05/2020 13:34:25