資料科學

DLCV

• 開課教授：王鈺強

• 推薦預先修習的課程：ML 線代

• 課程小卦：

  • 教學來說我覺得有點雜，CV本身就是一個很大的領域，加上前1/3學期都是傳統技術，三個深度學習的大作業我覺得都算值得做啦，只是和final一起集中後半，會覺得更重Orz，而且很多時候要處理奇怪的問題，很多主題像是RL沒有實作的機會是真的蠻可惜的，不過可能是因為第一次開，如果下次發現規劃有改可以考慮一下

機器學習中的數學原理

• 開課教授：王奕翔

• 推薦同時修習的課程：無

• 推薦預先修習的課程：線性代數、機率與統計

• 課程小卦：

  • 加簽全簽，反正會有一堆人退選、停修。這門課一直證明一直證明，最好要對數學證明有愛，如果沒有就會很想停修。本門課內容其實不錯，不過老師上課有點太側重數學證明，而甚少有intuition的講解，所以如果缺乏對機器學習數學直覺或是新入門至機器學習的人，會相當困難，久而久之，就不太想去上課，想自己看教材慢慢想。不過可以善用TA office hour，會比較知道在幹嘛。整學期作業有些題目網路上其他美國名校有講解，我常常覺得那些講解還有課本，比老師的講義淺顯易懂，我猜是我資質駑鈍吧。不過，我想這是第一次開，下次應該會改善。這門是門好課啦，可以學到相當多的知識，不過就是要有決心還有時間，或是你天生聰穎。

  • 老師要求期末要針對機器學習的某個主題寫口頭加書面報告，要看一系列的論文，且老師不會給予指引，對於初學者來說比較難知道要從何下手，可能會花很多時間自己摸索。

    三次作業如果要自己想的話相當花時間，可能每次都要花30~40小時。

  • 我是奕翔的小粉絲，老師的課質量還是很高的，但重量也絕對不輕XD

    前面的statistical learning算是淺顯易懂，但到後面的部分老師的準備程度明顯下降，optimization那邊感覺只是快速把證明帶過，沒有多做講解。

    這門課依然滿足我對奕翔開課的幾個認知:

    1.作業很困難，考試比作業簡單許多

    2.只上課是絕對不夠的，回去要看老師寫的note+上網查資料寫作業(因為自己都證不出來XD)+看老師列出的reference，許多較敘述性的內容和intuition會放在note裡，看完會對整個概念有比較深入的了解。

    3.由於是研究所的課，因此重點放在project上而非考試。

    我自己花的時間大概如下:每周6~8小時讀note，作業上網查的話約10小時完成一份，project不說了，都是淚......

    我認為上完後對機器學習的一些基本概念和演算法會有更底層的理解，是適合喜歡問「為什麼」的人來修的課，呃......比起stack more layers啦

ML

• 開課教授：吳沛遠or李弘毅

• 課程小卦：

  • 這堂課看大金影片就可以學到很多東西！上課基本不用去，影片必看必學，絕對不要偷懶。然後有人可能想寒暑假先看影片，可是沒有作業先看真的沒甚麼用，之後還會再看一次。這堂課有六次作業一個project，作業都是跟課程上到哪有相關，可是一定要記得不要汲汲營營比排名，會一瞬間增加許多loading，從開始寫code到過strong baseline還有report大概會要三到四個晚上，如果再去拚排名基本上真的浪費時間，這堂課只要規規矩矩寫作業就可以A+，繳交格式跟套件版本一定要再三注意。

    作業是不同助教改，會因為助教可能作業被打爆，有的助教很嚴格，要打聽一下，但是如果你東西繳交格式都正確就好。

  • 同意左邊，排名真的是一個大坑，如果每次作業都自己查paper、試各種model真的很花時間，但額外砸時間下去一定會學的更多，可以自行斟酌一下loading。另外每次作業前幾名上台分享也是向大神們學習的好機會。揪同學一起修課也是不錯的選擇，互相交流資訊很重要，當然各種都市傳說也是值得一試啦...有些技巧是學期後半才會學到的，例如ensemble(概念大概是將多個model的prediction取平均，會比單一model還要準一些)，不過前面幾次作業前幾名蠻多人有用這招。