※ 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： 105-2 ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄) 李宏毅 + (林宗男???) 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) 電機系 δ 課程大概內容 課程網頁 : 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 私心推薦指數(以五分計) ★★★★★ *[m*[1;33;40m ★ ★ ★ ★ ★ *[m η 上課用書(影印講義或是指定教科書) 基本上是老師投影片，不過老師很推大家去看Bishop μ 上課方式(投影片、團體討論、老師教學風格) 上課時，老師就是講投影片，然後會提很多很鮮明的例子，加上老師本身宅屬性也很高， 所以很合胃口(誤 σ 評分方式(給分甜嗎？是紮實分？) 作業 10% * 6 Final 40% ρ 考題型式、作業方式 沒有任何考試 作業都是Kaggle上的題目，與去年完全吃排名不同，今年分Simple Baseline跟Strong Baseline，基本上過baseline，就可以拿到分數。除此之外，每次作業都有Report， Report分數比Kaggle的難拿許多QQ Final Project的部分，其實就是作業的豪華版，有Simple Baseline跟Strong Baseline ，然後Report要寫多一點。 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…) 完全不重視出席率。 加簽的部分，今年寫完hw0就全簽，不過明年不一定。 外系的話，基本上建議會寫Python再來，不過邊上邊學其實也可以，Python上手很快。 Ψ 總結 這門課與軒田老師的機器學習真的是各有千秋，兩個搭在一起上有1+1>2的效果。 這門課，講了滿多DL的部分，傳統的svm系列產品則是用較小篇幅帶過。而老師上 課的風格輕鬆詼諧，讓大家都聽得滿爽der。話說，如果怕過不了Simple Baseline 跟Strong Baseline，強烈建議揪團來修，因為kaggle的submission次數是有限制 的，多一點人，可以分工嘗試不同的model或參數。 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.240.96.124 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/NTUcourse/M.1499500975.A.A9D.html 聽懂是一個蠻曖昧的詞彙。以我自己來說，我是沒修機率就直接去聽，老實說，作業的部分不用任何機率基礎 也可以完成，甚至是最後拿到a+，因為作業很偏實作，所以只要可以coding，還有願意try各種Model就寫的出 來。但是，老師上課時，其實帶到了許多東西，而常常一種方法就是一篇paper，上課時，老師或許是帶過去 只讓你知道有這種東西，但是DL的Paper其實滿吃機率的，然而，不讀懂Paper還是可以寫作業，端看你希望深 入到哪種程度。至於作業的loading，這又是個不好描述的東西，六次作業中，有一次只花了一個晚上，而有 一次，花了三天，每天8小時左右。然後，以4學分的課來說，這個loading其實算有點輕就是了@@ ※ 編輯: hortune (111.240.96.124), 07/08/2017 20:22:59 傳說中的QAQ耶 <(_ _)> ※ 編輯: hortune (111.240.97.61), 07/22/2017 13:19:44