※ 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）： 否 哪一学年度修课： 107-1 ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 李彦寰 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) 资工所 δ 课程大概内容 课程网页: https://cool.ntu.edu.tw/courses/130 Ω 私心推荐指数(以五分计) ★★★★★ ★ ★ ★ ★ ★ ★ ★ ★ ★ ★ ★ ★ ★ ★ ★ η 上课用书(影印讲义或是指定教科书) 老师自己的投影片 μ 上课方式(投影片、团体讨论、老师教学风格) 投影片在上前会放到NTU Cool 上课就是投影片辅以白板 σ 评分方式(给分甜吗？是紮实分？) 作业 40 % (取最高三次) 期中考 20 % (期中考前的作业一定要写，不写会後悔QQ) Final Project 40 % ρ 考题型式、作业方式 作业真的超Nice，基本上每次作业都是两到三个大题， 然後里面的题目会一个接一个，逐步带领你证出神秘的 bound，这个真的是用心的老师才会这麽仔细的安排。 不过老师作业一版通常都会有bug，所以要早点开始写 ，不然会被bug误导得很惨，但老师回信修改的速度真 的超快。 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…) 出席率 0 建议修过线代，不然会有一点痛苦 Hsuan-Tien ML, Shou-De ML, Hung-Yi ML之类的课， 没修过也没差 不过有修过 Chih-Jen OPTML(下学期停开QQ)的话，前面一两份的投影 片和第一次作业会满舒服的，不过後面就没差了。 Ψ 总结 在大大大ML时代，人人都是资料科学家，大家都是pytorch, tensorflow, keras, chainer,caffe叠积木大师，但你是否曾经想过，为何gradient descent会收敛，就算他会收敛，又会收敛的多快呢?那是否有比gradient descent还快的演算法呢? 在堂课中，老师带着大家从convex function简单的性质开始，从定义 开始，然後介绍了gradient descent然後又介绍了神一般的俄国人 Nesterov的accelerated gradient descent，之後将gradient descent 的式子写成norm形式，开始想着是否能用其他的norm来做gradient descent? 於是mirror descent就进入了眼帘，之後将convex function改成 composite形式，出现了proximal gradient系列算法，然後你的期中 考范围就到这惹。 期中考完後，就是Frank-Wolfe Method，之後稍微进入Online的世界 介绍惹Online Mirror Descent。最後踏入Learning in games，从 naive的follow-the-leader，加入神奇天眼的be-the-leader，最後 进入follow-the-regularized leader. 学期的最後，以Optimistic method划下句点。 好课不修嘛~ 而且期中考平均好像7x~ --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.112.215.99 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1547834570.A.B57.html 差点忘记写 ※ 编辑: hortune (140.112.215.99), 01/19/2019 02:15:57 是满多的 不过大家停修的原因都不太一样 有人是拿到广告公司offer就休学了 有人是拿到国外visiting research offer就停修了 有人是觉得自己的研究领域只需要前面一半就停修惹 不过期中考人数是一开始人数的一半吧XD 旁听众多的一门课 ※ 编辑: hortune (140.112.16.133), 01/20/2019 17:46:54