※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID）
（是／否／其他条件）：是
哪一学年度修课：
106-2
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
林轩田
λ 开课系所与授课对象 (是否为必修或通识课 / 内容是否与某些背景相关)
资工系 / 资工所
有修过老师的机器学习基石为佳 (今年是有修过基石的都能上)
δ 课程大概内容
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 私心推荐指数(以五分计) ★★★★★
★ ★ ★ ★ ★
η 上课用书(影印讲义或是指定教科书)
老师的课程讲义 (在老师的个人网站有公布)
μ 上课方式(投影片、团体讨论、老师教学风格)
大多数课堂以播影片进行
少数几堂由老师亲自授课
(Neural Network那里老师说有些东西过时了要自己讲)
σ 评分方式(给分甜吗？是扎实分？)
作业 * 3 + Fial Project * 1 (没有考试)
觉得算是扎实分吧，有努力有收获
ρ 考题型式、作业方式
- 作业
作业形式跟机器上学期的学习基石差不多
每次是约16题的基础题+2题Bonus
计算题都是 计算 / 证明题
另外也会有程式题
作业难度好像越来越简单(SVM真的大魔王啊QAQ)
- Final Progect
期末专题这学期是三人一组
就是实际上去Train某个dataset
基本上每个人每天有超级多次上传机会
(跟Kaggle不同，是自己架的server)
报告会要求要用多种Machine Learning技巧去实现
学期最后要交一份报告这样
ω 其它(是否注重出席率？如果为外系选修，需先有什么基础较好吗？老师个性？
加签习惯？严禁迟到等…)
建议先修完老师的“机器学习基石”再来修老师的技法
首先是比较容易加签到
另外就是可以先习惯老师的作业跟上课的用词
然后不点名，作业跟期末专题好好做就可以学到很多分数也会好看
Ψ 总结
写这篇评价文主要是发现好像都没有ML Tech的评价
所以就来讲一下我个人的看法这样XD
个人觉得这门课远超过两学分的重量
然后因为上课内容在youtube都有录影
如果没有去上课又没有自己花时间跟影片的话
到写作业的时候可能会非常非常的辛苦.......
另外大推老师在讲Topic 2有关于Ensemble的地方
个人觉得是这门课最精华的地方
不管是最基本的Bagging / Blending
或者是经典的Decision Tree / RF
老师都能讲的让人清楚理解他的算法
另外Adaboost跟Gradient Boosted Decision Tree的部分
讲的真的很好
把这两个算法讲的超美 <3
再讲一下 MLF / MLT 和电机系的机器学习的差别
因为有蛮多朋友问的所以就在这里分享我自己的看法
轩田老师这两门课会花比较多的时间在讲理论跟数学的部分
在写完作业后是确实可以了解整个算法在做什么
而电机系的机器学习每次作业则是Kaggle竞赛
如果作业都有好好做的话确实是可以比较熟悉机器学习实作的部分
不过修完后其实不见得每个Topic的理论方面都很清楚
(因为大多都是使用套件然后Tune参数、Ensemble一堆model.......)
另外电机系那门课很快就进入Deep Learning了
比起轩田老师的课
古典的SVM / Ensemble等算法算是草草带过吧
(但相对的轩田老师的课在Deep Learning就没讲那么多)
个人觉得理论跟实作还是要相辅相成啦
各位在考虑要修哪门课的时候
可以多加思考自己想要的是什么再做决定
最后总结一句
如果对Machine Learning有兴趣又有余裕的话
觉得这门课应该要修这么一次
你会感受到机器学习除了Tune参数之外
还有很坚实的数学基础
跟很多漂亮的古典Machine Learning方法