※ [本文转录自 EE_Comment 看板 #1OZuRzxn ] 作者: Rubb9diaw (Rubb9diaw) 看板: EE_Comment 标题: [评价] 105-1 李宏毅 机器学习 时间: Tue Jan 31 02:33:30 2017 ※ 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 ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 李宏毅 δ 课程大概内容 Gradient Descent Linear Regression(HW1) Logistic Regression(HW2) Backpropogation NN,CNN(HW3) Semi-supervised Learning(HW3) Unsupervised Learning(HW4) Transfer Learning Structure Learning Deep Reinforcement Learning Ω 私心推荐指数(以五分计) ★★★★★ ★★★★+0.5 η 上课用书(影印讲义或是指定教科书) 老师投影片＋参考资料 μ 上课方式(投影片、团体讨论、老师教学风格) 用投影片上课，有几次是请人来演讲。 个人认为老师讲解的很清晰，也会拿一些语音上或是影像上的举例，但个人认为许多数学证明部分老师会带的比较快，也比较不过於深入，可能这门课比较注重於实作的部分，让人觉得数学证明部分稍显不足，略微可惜。 σ 评分方式(给分甜吗？是紮实分？) 作业 40% (一共四份，都是用Kaggle竞赛的方式做排名，作业有时候会有Bonus) final project 60% (一样有一些Bonus) 最後学期总成绩应该是会最高分超过100，听说最後分数还有做微调，调整A+的比例，大概30%左右A+ 个人觉得扎实偏甜 ρ 考题型式、作业方式 四个作业分别实作Linear Regression, Logistic Regression, CNN, Unsupervise Learning 像我写程式比较弱的就花满多时间的，前面两份作业都是要自己手写不能用套件，所以比较花时间。 後面两份作业是可以用套件的，本人就用了Keras和sklearn，基本上丢进去套件就满快的，剩下的比较是调参数，做一些实验的部分。 每份作业都会写一份报告，报告的问题助教都会规定，基本上照着做，该分析的有分析到都会有不错的分数。 最後final project就是有三个Kaggle上的题目，可以三个都同时做，最後取最理想的来评分。 像我这组三个人，除了我以外两个都是大腿，其中一人就让我们第一题直接起飞，我和另一个人做第三题反而没有做得很好。 但final project是真的需要花点时间的 期末最後一堂课老师会请三个题目的前5%组别上台Demo，就看得出来有些组别不只很厉害，也有花时间下去才有这麽好的结果。 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…) 今年加签是大家先回去写HW0，满基础的就是看会不会用Python，两题一题主要是parse data，另一题是读一个图进来，然後输出一个转180度的图。最後用Github上传给助教批改，可能也是顺便看会不会用Github，但助教的投影片都有讲解清楚，就一步一步照着做没有问题。 但最後人真的太多了，老师好像只签电资学院的人，还是有将近240名学生。 Ψ 总结 这门课不失为一门好课，可以对机器学习有了解，也可以大略知道在不同领域有什麽应用，像老师的老本行应该是语音处理，上课有时候就会用语音举点例子。 作业方面也很注重实作，会真的写个程式，然後花不少时间去跑去做实验，然後再做一个报告分析数据和结果。但基本上不会刁难人，也很容易在网路上找到资源做参考。 助教的话每个都很厉害也很负责，毕竟改作业要重跑大家的code，有时候跑到烂掉还是可以让大家去助教实验室去改，然後酌量扣分，满辛苦的。 但比较可惜的一样就是数学的部分，会比较没有深入的下去讲，但还是会把重要的证明讲过，如果有问题都还是可以跟老师讨论，老师人相当好，愿意回答很多问题。 相较於隔壁林轩田老师的机器学习，这边应该比较重实作，另一边可能比较重理论和数学，另一边还有手写的证明题作业等等。 个人认为都可以根据自己的需求，选自己想修的那种机器学习这样。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.227.182.64 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/EE_Comment/M.1485801213.A.EF1.html

※ 发信站: 批踢踢实业坊(ptt.cc) ※ 转录者: ntucorner (180.177.44.209), 02/01/2017 00:07:05