课名：机器学习导论 科号：EE 370000 老师：马席彬 课本：无 课别：电资院专业选修 学分：3 凉度：★ ★ ★ ★ ★ 甜度：★ ★ ★ ★ (拼A+) ★ ★ ★ ★ ★ (拿学分) 建议先修课程：线性代数、机率、计算机程式设计 课程内容\简介： 虽然建议先修课程列了那麽多，不过我认为不太需要，因为这门课不会focus在数学推导 的部分，所以没修过部分先修课程不会有太大的差异。 *Syllabus 课程大纲 1. Learning from data 2. Simple machine learning algorithm for classification 3. Machine learning classifiers using Scikit-Learn 4. Data preprocessing 5. Dimension reduction 6. Model evaluation and hyperparameter tuning 7. Ensemble learning 8. Sentiment analysis 9. Regression analysis 10. Clustering analysis 11. Multilayer artificial neural networks 12. Neural network training with TensorFlow 13. The mechanics of TensorFlow 14. Deep convolutional neural networks 15. Recurrent neural networks 学期初会先介绍ML的原理跟一些常见的分类器(ex: SVM, random forest等等)，同时会教 一点python。学期中会开始教一些资料处理的方法(ex: 降维）、判断模型好坏及调参数 的一些方法(ex: grid search)。学期末则是会带文字处理的技巧，和粗浅简单介绍一点D L的架构。 上课方式： 老师上课用投影片教学，每上到新的一章都会先提前上传到iLMS上。投影片内容有点多， 不太建议全部印出来。 给分： HW * 4 75% Final project 25% 考试作业型态： 因为这门课没有期中考和期末考，final project的占分比重也偏低，所以loading不会算 太重，偏凉。作业4次占学期总分75%，也代表这门课不太会当人。 作业主要是运用一个机器学习的package叫作scikit-learn，程式语言使用python，并在J upyter notebook平台上写程式。作业共分成四次： (1) 安装anaconda环境并跑一个简单的程式(需要 demo) -> 第一次作业很简单却占分1 8.75%，该好好把握。 (2) 利用car的dataset去跑各种分类器并分析结果 (3) 利用minist-fashion的dataset去跑各种分类器并分析结果 (4) 利用Google_research.csv的资料实作文字处理和unsupervised clustering ***个人意见*** 作业只要有达到助教给的spec就会有75分左右；但是作业要写高分的话，就必须多做一些 努力，例如：资料视觉化、尝试更多分类器或降维的技巧、把code修的好看一点等等。 (助教作业给分的range大概在75~90分左右) Final project 则是两人一组，题目不限，任何跟ML或DL相关的题目都可以做。同届同学 简单一点的可能做spam email detection、face recognition ，难一点的有做小说文字 自动生成、音乐生成等等的主题。 ***个人意见*** Final project对於有相关经验的人比较吃香，对於新手来说光查语法和搞环境就足够搞 死人了，所以不熟悉的人最好尽早开始做，不然後面会GG。 Project 如果可以尽量挑难一点的题目做，除了比较不会跟其他组冲突外，分数也会高不 少。(大概从60~75分提升到80~90分) 老师的喜好、个性： 老师不太喜欢同学迟到进教室，所以尽量在上课前到哦！ 给加签吗? 签到教室容量上限(50->90)，第一堂课教室爆满，结果後来很多人都没去上课，老师就说 早知道就不要签了...... 所以明年不好说QAQ 补充: 这门课如果是给想要学机器学习理论或其背後的数学原理的同学，可能就比较不合适；如 果是给想要用python手刻一些ML的功能(ex: 实作back-propagation)的同学，则比较推荐 去修资工系开的ML。 这门课比较适合给希望学习ML实际运用层面的同学来修。 总成绩/班上排名： 成绩: 成绩分布： https://i.imgur.com/1xj40wW.jpg ↓每组人数 A+ % ( ) A % ( ) A- % ( ) B+ % ( ) B % ( ) B- % ( ) C+ % ( ) C % ( ) C- % ( ) D以下 % ( ) --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 223.141.92.128 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTHU_Course/M.1579263362.A.374.html ※ 编辑: blackmaninEE (111.241.215.106 台湾), 02/08/2020 18:07:06