※ 本文是否可提供臺大同學轉作其他非營利用途？（須保留原作者 ID） （是／否／其他條件）： 是 哪一學年度修課： 105-1 (2016 Fall) ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄) 林軒田 λ 開課系所與授課對象 (是否為必修或通識課 / 內容是否與某些背景相關) 資工系 δ 課程大概內容 topic 1: when can machines learn? the learning problem, learning to answer yes/no types of learning, feasibility of learning topic 2: why can machines learn? training versus testing, theory of generalization the VC dimension, noise and error topic 3: how can machines learn? linear regression, logistic regression linear models for classification, nonlinear transformation topic 4: how can machines learn better? hazard of overfitting, regularization validation, three learning principles Ω 私心推薦指數(以五分計) ★★★★★ ★★★★★ 絕對滿分 η 上課用書(影印講義或是指定教科書) 無，但老師有出一本書 Learning From Data，有興趣可以買來看看。 μ 上課方式(投影片、團體討論、老師教學風格) 上課時主要是播Youtube教學影片，老師會再補充一些內容或是實務經驗， 老師很鼓勵大家問問題，如果當場有問題可以直接舉手發問。 因為是線上課程，寫作業時發現有不懂的地方， 可以無限次複習，所以不用擔心跟不上。 這學期老師是開密集課程，只教了機器學習基石的部分， 下學期的課才會教技法的部份。 σ 評分方式(給分甜嗎？是紮實分？) 三次作業決定期末成績，我個人覺得扎實但很甜， 最終分數A+和A加起來大概佔了一半。 ρ 考題型式、作業方式 因為這學期上課時間短，總共只有三次作業，每次約20題，滿分200+20分。 其中會有幾題需要寫程式，不限語言所以用Python或R等高階語言就可以， 程式題都蠻簡單的。 其他部分主要都是上課內容的變化，如果上課有懂的話，也不會太難。 不過因為題數蠻多的，我每次作業花個10小時應該跑不掉， 建議可以早點開始寫。 ω 其它(是否注重出席率？如果為外系選修，需先有什麼基礎較好嗎？老師個性？ 加簽習慣？嚴禁遲到等…) 基礎的話大概就是一點點的微積分+一點點的線代+一點點的機率+一點點的程式 語? 有修過統計或最適化更好，學習過程應該會有比較深的領悟。 Ψ 總結 基石的部分主要在講機器學習的理論基礎和一些線性模型 (如Linear Regression和Logistic Regression)。 理論基礎保證模型對測試資料外的資料也能有一定的預測能力 、以及如何讓模型能學習得更好等等。 至於線性模型，如果有修過統計學應該都學過了這堂課會教的模型， 雖然模型都長得一樣， ML是用另一個角度切入，和統計學方法差異蠻大的。 整體而言，這堂課真的是一門很棒的課， 從理論基礎開始講起，到一些簡單但非常有用的模型， 非常值得來修課！ --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.160.63.40 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/NTUcourse/M.1485708897.A.E49.html ※ 編輯: vincent70341 (1.160.63.40), 01/30/2017 00:56:00