作者hortune (enutroh)
看板NTUcourse
标题[评价] 105-2 李宏毅 机器学习
时间Sat Jul 8 16:02:52 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：
105-2
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 + (林宗男???)
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)
电机系
δ 课程大概内容
课程网页 :
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
Introduction of this course: pdf,pptx (2017/02/23)
HW0: link, video (2017/02/23)
Regression: pdf,pptx,video (2017/03/02)
Where does the error come from?: pdf,pptx,video (2017/03/02, recorded at 2016/10/07)
Gradient Descent: pdf,pptx,video (2017/03/09, recorded at 2016/10/07)
HW1 - PM2.5 Prediction: link (2017/03/02)
Classification: Probabilistic Generative Model pdf, pptx, video (2017/03/16, recorded at 2016/10/07)
Classification: Logistic Regression pdf, pptx, video (2017/03/23, part of the video recorded at 2016/10/14)
HW2 - Income Prediction: link (2017/03/23)
Introduction of Deep Learning pdf, pptx, video (2017/03/23, recorded at 2016/10/14)
Backpropagation pdf, pptx, video (2017/03/23)
“Hello world” of Deep Learning pdf, pptx, video (2017/03/23)
Tips for Deep Learning pdf, pptx, video (2017/03/30)
Convolutional Neural Network pdf, pptx, video (2017/04/06)
HW3 - Image Sentiment Classification: link (2017/04/06)
Why Deep? pdf, pptx, video (2017/04/06, recorded at 2016/11/04)
Semi-supervised Learning pdf, pptx, video (2017/04/13, recorded at 2016/11/11)
Unsupervised Learning: Principle Component Analysis pdf, pptx, video (2017/04/13, recorded at 2016/11/11)
Unsupervised Learning: Neighbor Embedding pdf, pptx, video (2017/04/20)
Unsupervised Learning: Deep Auto-encoder pdf, pptx, video (2017/04/20)
Unsupervised Learning: Word Embedding pdf, pptx, video (2017/04/27)
Unsupervised Learning: Deep Generative Model pdf, pptx, video (2017/04/27)
Transfer Learning pdf, pptx, video (2017/05/03)
Recurrent Neural Network pdf, pptx, video (part 1), video (part 2) (recorded at 2016/12/30)
Matrix Factorization pdf, pptx, video (2017/05/25)
Ensemble pdf, pptx, video (2017/05/25)
Introduction of Structured Learning pdf, pptx, video (part 1), video (part 1) (2017/06/01)
Introduction of Reinforcement Learning pdf, pptx, video (2017/06/15)
Ω 私心推荐指数(以五分计) ★★★★★
*[m*[1;33;40m ★ ★ ★ ★ ★ *[m
η 上课用书(影印讲义或是指定教科书)
基本上是老师投影片，不过老师很推大家去看Bishop
μ 上课方式(投影片、团体讨论、老师教学风格)
上课时，老师就是讲投影片，然後会提很多很鲜明的例子，加上老师本身宅属性也很高，
所以很合胃口(误
σ 评分方式(给分甜吗？是紮实分？)
作业 10% * 6
Final 40%
ρ 考题型式、作业方式
没有任何考试
作业都是Kaggle上的题目，与去年完全吃排名不同，今年分Simple Baseline跟Strong
Baseline，基本上过baseline，就可以拿到分数。除此之外，每次作业都有Report，
Report分数比Kaggle的难拿许多QQ
Final Project的部分，其实就是作业的豪华版，有Simple Baseline跟Strong Baseline
，然後Report要写多一点。
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…)
完全不重视出席率。
加签的部分，今年写完hw0就全签，不过明年不一定。
外系的话，基本上建议会写Python再来，不过边上边学其实也可以，Python上手很快。
Ψ 总结
这门课与轩田老师的机器学习真的是各有千秋，两个搭在一起上有1+1>2的效果。
这门课，讲了满多DL的部分，传统的svm系列产品则是用较小篇幅带过。而老师上
课的风格轻松诙谐，让大家都听得满爽der。话说，如果怕过不了Simple Baseline
跟Strong Baseline，强烈建议揪团来修，因为kaggle的submission次数是有限制
的，多一点人，可以分工尝试不同的model或参数。
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 111.240.96.124
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1499500975.A.A9D.html
1F：推 liang1230: 原po躺着A+ 07/08 17:54
2F：推 vu04y94: 请问loading会很重吗 像是一份hw要写多久 ? 07/08 19:30
3F：→ vu04y94: 另外还没修机率的话听的懂吗? 07/08 19:31
听懂是一个蛮暧昧的词汇。以我自己来说，我是没修机率就直接去听，老实说，作业的部分不用任何机率基础
也可以完成，甚至是最後拿到a+，因为作业很偏实作，所以只要可以coding，还有愿意try各种Model就写的出
来。但是，老师上课时，其实带到了许多东西，而常常一种方法就是一篇paper，上课时，老师或许是带过去
只让你知道有这种东西，但是DL的Paper其实满吃机率的，然而，不读懂Paper还是可以写作业，端看你希望深
入到哪种程度。至於作业的loading，这又是个不好描述的东西，六次作业中，有一次只花了一个晚上，而有
一次，花了三天，每天8小时左右。然後，以4学分的课来说，这个loading其实算有点轻就是了@@
※ 编辑: hortune (111.240.96.124), 07/08/2017 20:22:59
4F：推 vu04y94: 了解 感谢解释! 07/08 20:27
5F：推 yiefaung: 推 07/08 22:49
6F：推 pcchou: 跪原po 07/09 09:57
7F：推 brian980466: 去年过baseline会有一半分数 07/10 15:25
8F：→ brian980466: 然後report改非常严 07/10 15:25
9F：→ brian980466: 最好每个推断都有数据佐证 07/10 15:25
10F：推 WindQAQ: 推一个！作业的loading就看同学想做到什麽程度，大部分 07/19 12:21
11F：→ WindQAQ: 的baseline都不难通过就是了。 07/19 12:21
传说中的QAQ耶 <(_ _)>
※ 编辑: hortune (111.240.97.61), 07/22/2017 13:19:44