※ 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