[評價] 106-2 林軒田 機器學習技法

[patrickwu2 (麻麻~)]

      ※ 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：

        106-2

      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 / 資工所
        有修過老師的機器學習基石為佳 (今年是有修過基石的都能上)

      δ 課程大概內容

        Topic 1 : How can machines learn by embedding numerous features ?
          - Linear / Dual SVM
          - Kernel SVM
          - Soft-Margin SVM
          - Kernel logistic Regression / SVR
        Topic 2 : How can machines learn by combining predictive features ?
          - Blending / Bagging
          - Adaptive boosting
          - Decision Tree
          - Random Forest
          - Gradient boosted Decision Tree
        Topic 3 : How can machines learn by distilling hidden features ?
          - Neural Network (Backprop)
          - Tricks on Neural Network (momentum, adam, relu, dropout)
          - Matrix Factorization

      Ω 私心推薦指數(以五分計) ★★★★★

        ★ ★ ★ ★ ★

      η 上課用書(影印講義或是指定教科書)

        老師的課程講義 (在老師的個人網站有公佈)

      μ 上課方式(投影片、團體討論、老師教學風格)

        大多數課堂以播影片進行
        少數幾堂由老師親自授課
        (Neural Network那裡老師說有些東西過時了要自己講)

      σ 評分方式(給分甜嗎？是紮實分？)

        作業 * 3 + Fial Project * 1 (沒有考試)

        覺得算是紮實分吧，有努力有收穫

      ρ 考題型式、作業方式

        - 作業
            作業形式跟機器上學期的學習基石差不多
            每次是約16題的基礎題+2題Bonus
            計算題都是 計算 / 證明題
            另外也會有程式題
            作業難度好像越來越簡單(SVM真的大魔王啊QAQ)

        - Final Progect
            期末專題這學期是三人一組
            就是實際上去Train某個dataset
            基本上每個人每天有超級多次上傳機會
            (跟Kaggle不同，是自己架的server)
            報告會要求要用多種Machine Learning技巧去實現
            學期最後要交一份報告這樣

      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…)

        建議先修完老師的「機器學習基石」再來修老師的技法
        首先是比較容易加簽到
        另外就是可以先習慣老師的作業跟上課的用詞

        然後不點名，作業跟期末專題好好做就可以學到很多分數也會好看

      Ψ 總結

        寫這篇評價文主要是發現好像都沒有ML Tech的評價
        所以就來講一下我個人的看法這樣XD

        個人覺得這門課遠超過兩學分的重量
        然後因為上課內容在youtube都有錄影
        如果沒有去上課又沒有自己花時間跟影片的話
        到寫作業的時候可能會非常非常的辛苦.......

        另外大推老師在講Topic 2有關於Ensemble的地方
        個人覺得是這門課最精華的地方
        不管是最基本的Bagging / Blending
        或者是經典的Decision Tree / RF
        老師都能講的讓人清楚理解他的算法
        另外Adaboost跟Gradient Boosted Decision Tree的部分
        講的真的很好
        把這兩個演算法講的超美 <3

        再講一下 MLF / MLT 和電機系的機器學習的差別
        因為有蠻多朋友問的所以就在這裡分享我自己的看法

        軒田老師這兩門課會花比較多的時間在講理論跟數學的部分
        在寫完作業後是確實可以了解整個演算法在做什麼
        而電機系的機器學習每次作業則是Kaggle競賽
        如果作業都有好好做的話確實是可以比較熟悉機器學習實作的部分
        不過修完後其實不見得每個Topic的理論方面都很清楚
        (因為大多都是使用套件然後Tune參數、Ensemble一堆model.......)
        另外電機系那門課很快就進入Deep Learning了
        比起軒田老師的課
        古典的SVM / Ensemble等算法算是草草帶過吧
        (但相對的軒田老師的課在Deep Learning就沒講那麼多)

        個人覺得理論跟實作還是要相輔相成啦
        各位在考慮要修哪門課的時候
        可以多加思考自己想要的是什麼再做決定

        最後總結一句
        如果對Machine Learning有興趣又有餘裕的話
        覺得這門課應該要修這麼一次
        你會感受到機器學習除了Tune參數之外
        還有很堅實的數學基礎
        跟很多漂亮的古典Machine Learning方法

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.16.129
※ 文章網址: https://www.ptt.cc/bbs/NTUcourse/M.1533286639.A.F38.html
※ 編輯: patrickwu2 (140.112.16.129), 08/03/2018 16:58:39
※ 編輯: patrickwu2 (140.112.16.129), 08/03/2018 17:00:42
推 jexus: 推算命師！！
推 sc0904: 幫麻麻推～
推 hortune: 快去修特論吧 系列課程最終站 (>////<)
推 Rubb9diaw: 推樓上hortune大大
推 liang1230: hortune你把數學原理放哪....真正大魔王
推 CharlieL: Thanks for sharing!
推 empennage98: 推田神！老師好早起
推 KSWang: 朝聖田神 好課 從基石打好基礎到技法真的很扎實
推 a127000555: 一樓輪班？
推 jexus: 樓上依然電？
→ patrickwu2: 樓上太多大神只好都跪<(_ _)>
推 dannyko: 麻麻電
推 darkestnight: 日文