※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID） （是／否／其他条件）： 是 哪一学年度修课： 105-1 (2016 Fall) ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 林轩田 λ 开课系所与授课对象 (是否为必修或通识课 / 内容是否与某些背景相关) 资工系 δ 课程大概内容 topic 1: when can machines learn? the learning problem, learning to answer yes/no types of learning, feasibility of learning topic 2: why can machines learn? training versus testing, theory of generalization the VC dimension, noise and error topic 3: how can machines learn? linear regression, logistic regression linear models for classification, nonlinear transformation topic 4: how can machines learn better? hazard of overfitting, regularization validation, three learning principles Ω 私心推荐指数(以五分计) ★★★★★ ★★★★★ 绝对满分 η 上课用书(影印讲义或是指定教科书) 无，但老师有出一本书 Learning From Data，有兴趣可以买来看看。 μ 上课方式(投影片、团体讨论、老师教学风格) 上课时主要是播Youtube教学影片，老师会再补充一些内容或是实务经验， 老师很鼓励大家问问题，如果当场有问题可以直接举手发问。 因为是线上课程，写作业时发现有不懂的地方， 可以无限次复习，所以不用担心跟不上。 这学期老师是开密集课程，只教了机器学习基石的部分， 下学期的课才会教技法的部份。 σ 评分方式(给分甜吗？是紮实分？) 三次作业决定期末成绩，我个人觉得扎实但很甜， 最终分数A+和A加起来大概占了一半。 ρ 考题型式、作业方式 因为这学期上课时间短，总共只有三次作业，每次约20题，满分200+20分。 其中会有几题需要写程式，不限语言所以用Python或R等高阶语言就可以， 程式题都蛮简单的。 其他部分主要都是上课内容的变化，如果上课有懂的话，也不会太难。 不过因为题数蛮多的，我每次作业花个10小时应该跑不掉， 建议可以早点开始写。 ω 其它(是否注重出席率？如果为外系选修，需先有什麽基础较好吗？老师个性？ 加签习惯？严禁迟到等…) 基础的话大概就是一点点的微积分+一点点的线代+一点点的机率+一点点的程式 语? 有修过统计或最适化更好，学习过程应该会有比较深的领悟。 Ψ 总结 基石的部分主要在讲机器学习的理论基础和一些线性模型 (如Linear Regression和Logistic Regression)。 理论基础保证模型对测试资料外的资料也能有一定的预测能力 、以及如何让模型能学习得更好等等。 至於线性模型，如果有修过统计学应该都学过了这堂课会教的模型， 虽然模型都长得一样， ML是用另一个角度切入，和统计学方法差异蛮大的。 整体而言，这堂课真的是一门很棒的课， 从理论基础开始讲起，到一些简单但非常有用的模型， 非常值得来修课！ --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 1.160.63.40 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1485708897.A.E49.html ※ 编辑: vincent70341 (1.160.63.40), 01/30/2017 00:56:00