※ 引述《ctr1 (【積π】)》之銘言： : 想請問版上的先進 : 在資料科學 機器學習 深度學習這領域上 : 統計系所 資工系所 : 差異性在哪裡呢 : 感謝各位了 看到有人這樣問，就讓我勾起以前一樣的疑惑，到底統研所和資工所的ML有何差別 目前已上過統研所的ML（統研所叫統計學習或者和計算統計重疊）和正在上資工所的ML。 雖然還是才疏學淺，但還是提供目前小小觀點，如果有錯，請大神指正。 至於深度學習，我目前也只是碰一點點ＮＮ，僅此而已。所以無法提供觀點比較。 統研所的統計學習和計算統計，基本上教科書就是ＥＳＬ 先講統計學習： 從統計觀點出發，以Linear Regression開始，你讀到後面會發現很多模型假設都是有線性迴歸的影子在。 參數到非參數（Splines應該就算是最主要的詮釋，你會發現有線性迴歸的fu） 但是，我在學的過程中，很困惑，為何學一堆方法，然後就直接用Ｒ跑，That's it! 老師上課證明證明證到大家睡著，還記得他證Back Propogation讓我大吃一驚，怎會有人想出這演算法。 但是呢，我就曾經問過老師，我手上有一筆資料，那我要如何評斷我的model,難不成只能說這方法預測效果比較好。 還記得老師那時候說：I never know. 事後我覺得也對，每個資料有每個資料的屬性，哪些資料用哪些方法效果比較好，可能就是那些內行人的秘方 至於什麼trees, random forest, neural network都會講到，也會寫數學推導。 所以我目前覺得統研所的觀點偏很數學。 至於程式設計，老師根本沒有要你寫程式。說用Ｒ跑就可以了。 再來計算統計： 當然從課名就知道是從計算機角度看統計，你會用很多gradient descent, hessian matrix 去找ＭＬＥ什麼的，基本上就是從演算法角度去求解統計需要的optimization和sampling問題。 我在修的時候，作業幾乎都有coding，考試卻考你一堆數學推導，那時候真的修的很痛苦 要同時顧及coding和數學題目其實loading有點大。 現在在上資工所的ＭＬ，教科書大多都是用ＰＲＭＬ，這本我覺得滿有機率論的fu 正在上的感覺是主要就是分clustering, supervised and non-supervised 沒有偏哪一門，反倒統計主要是以supervised learning為主。 沒有考試，只有作業和projects，上課數學推導沒有很多，直接給你直觀的解釋。 然後就要叫你寫k means, GMM之類的，就是start from scratch CS的訓練本來就是這樣，你聽完老師上課，剩下就是你要去實現它。 這就是我覺得stat和cs最大的不同。 但是，我自己感覺ＣＳ的人會困惑這些數學式子，stat會苦於無法把自己的模型實現。 如果你是可以讀統博的人，我覺得修哪都沒差，但如果你只有碩士，我覺得還是學ＣＳ的ＭＬ比較好。 因為統碩學的，你去外面給人講，會讓人覺得你只是懂會講，至於那些engineering side，可以立即看到產出的，你無法給外人看到東西。 自然會讓人覺得是不是只是空有一張嘴巴ＸＤ 但是我覺得還是看各個學校拉，有些統研所老師也是資工所老師，所以我覺得還是有差別。 如果你的統研所老師是那種純數學出身，八九不離十他的ＭＬ一定很多數學推導 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.37.136.176 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/DataScience/M.1591335143.A.C8E.html ※ 編輯: fsuhcikt1003 (114.37.136.176 臺灣), 06/05/2020 13:34:25