課名：機器學習導論 科號：EE 370000 老師：馬席彬 課本：無 課別：電資院專業選修 學分：3 涼度：★ ★ ★ ★ ★ 甜度：★ ★ ★ ★ (拼A+) ★ ★ ★ ★ ★ (拿學分) 建議先修課程：線性代數、機率、計算機程式設計 課程內容\簡介： 雖然建議先修課程列了那麼多，不過我認為不太需要，因為這門課不會focus在數學推導 的部分，所以沒修過部分先修課程不會有太大的差異。 *Syllabus 課程大綱 1. Learning from data 2. Simple machine learning algorithm for classification 3. Machine learning classifiers using Scikit-Learn 4. Data preprocessing 5. Dimension reduction 6. Model evaluation and hyperparameter tuning 7. Ensemble learning 8. Sentiment analysis 9. Regression analysis 10. Clustering analysis 11. Multilayer artificial neural networks 12. Neural network training with TensorFlow 13. The mechanics of TensorFlow 14. Deep convolutional neural networks 15. Recurrent neural networks 學期初會先介紹ML的原理跟一些常見的分類器(ex: SVM, random forest等等)，同時會教 一點python。學期中會開始教一些資料處理的方法(ex: 降維）、判斷模型好壞及調參數 的一些方法(ex: grid search)。學期末則是會帶文字處理的技巧，和粗淺簡單介紹一點D L的架構。 上課方式： 老師上課用投影片教學，每上到新的一章都會先提前上傳到iLMS上。投影片內容有點多， 不太建議全部印出來。 給分： HW * 4 75% Final project 25% 考試作業型態： 因為這門課沒有期中考和期末考，final project的佔分比重也偏低，所以loading不會算 太重，偏涼。作業4次佔學期總分75%，也代表這門課不太會當人。 作業主要是運用一個機器學習的package叫作scikit-learn，程式語言使用python，並在J upyter notebook平台上寫程式。作業共分成四次： (1) 安裝anaconda環境並跑一個簡單的程式(需要 demo) -> 第一次作業很簡單卻佔分1 8.75%，該好好把握。 (2) 利用car的dataset去跑各種分類器並分析結果 (3) 利用minist-fashion的dataset去跑各種分類器並分析結果 (4) 利用Google_research.csv的資料實作文字處理和unsupervised clustering ***個人意見*** 作業只要有達到助教給的spec就會有75分左右；但是作業要寫高分的話，就必須多做一些 努力，例如：資料視覺化、嘗試更多分類器或降維的技巧、把code修的好看一點等等。 (助教作業給分的range大概在75~90分左右) Final project 則是兩人一組，題目不限，任何跟ML或DL相關的題目都可以做。同屆同學 簡單一點的可能做spam email detection、face recognition ，難一點的有做小說文字 自動生成、音樂生成等等的主題。 ***個人意見*** Final project對於有相關經驗的人比較吃香，對於新手來說光查語法和搞環境就足夠搞 死人了，所以不熟悉的人最好儘早開始做，不然後面會GG。 Project 如果可以盡量挑難一點的題目做，除了比較不會跟其他組衝突外，分數也會高不 少。(大概從60~75分提升到80~90分) 老師的喜好、個性： 老師不太喜歡同學遲到進教室，所以盡量在上課前到哦！ 給加簽嗎? 簽到教室容量上限(50->90)，第一堂課教室爆滿，結果後來很多人都沒去上課，老師就說 早知道就不要簽了...... 所以明年不好說QAQ 補充: 這門課如果是給想要學機器學習理論或其背後的數學原理的同學，可能就比較不合適；如 果是給想要用python手刻一些ML的功能(ex: 實作back-propagation)的同學，則比較推薦 去修資工系開的ML。 這門課比較適合給希望學習ML實際運用層面的同學來修。 總成績/班上排名： 成績: 成績分布： https://i.imgur.com/1xj40wW.jpg ↓每組人數 A+ % ( ) A % ( ) A- % ( ) B+ % ( ) B % ( ) B- % ( ) C+ % ( ) C % ( ) C- % ( ) D以下 % ( ) --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.141.92.128 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/NTHU_Course/M.1579263362.A.374.html ※ 編輯: blackmaninEE (111.241.215.106 臺灣), 02/08/2020 18:07:06