模式识别与机器学习
课程性质:考试课
学分:3
分数构成 = 40% 实验分 + 60% 期末考试(2021级-2023秋)
关于课程
1. 总体介绍
这门课由原来的模式识别与深度学习、机器学习两门课合并,2023秋第一次开课,作为人工智能专业的第二门专业考试课,学分少,任务重。主要课程内容分为两部分:
-
机器学习(信息增益、 MLE和MAP、朴素贝叶斯、逻辑回归、聚类算法)
-
深度学习(多层感知机MLP、卷积神经网络CNN、深度生成模型VAE、循环神经网络RNN和LSTM、机器翻译模型Transformer)
但是后续可能有变动,请以当年老师大纲为准。如果以后有志于从事人工智能相关职业和研究的同学,本门课应该作为长期学习的基础,并加强实操能力
2. 关于授课
- ly
- 全英文课件,老师对课程内容很熟练,尤其注重概率计算,对于各种模型侧重于原理思路和具体推导,内容较为深入,但是课程总体逻辑很清晰,不同部分的过渡较为平滑
- 课堂不点名,无小测,但还是建议不轻易翘课
- 老师人很好,第一节课会给大家发很多电子书,上课也会经常问大家的情况,最后也会有统一答疑,不懂的也可以去办公室问
- lyc
- 中文课件,讲他自己写的书,在淘宝上可以买到,或者可以和上过这门课的学长借
- 课堂会点名,会要求学生上课认真听课,往前排坐
- 课堂上会有小测,是在长江雨课堂上完成,但不计分数
3. 关于实验
共有四次实验课,主要包括五个实验,除最后一个实验外,不能够使用Pytorch之类的自动微分工具,需要在实验前对内容有较为完备的推导。时间较为充裕,基本是一周一个实验,做好实验课验收就行,需要交代码文件和实验报告,验收也很轻松,最后也基本得到大部分的分数,可能会扣1\~2分,扣分因素可能比较随机hhh\~
- 实验一:多项式拟合正弦函数实验
- 实验二:逻辑回归
- 实验三:实现k-means聚类方法和混合高斯模型
- 实验四:多层感知机实验
- 实验五:卷积神经网络实验
4. 关于考试
(2021级-2022秋)
考试题型为选择、判断、大题,范围很小,很简单,没有推导题,给分也比较高,基本都在90+
一些可能有用的资源
- 李宏毅老师机器学习网课(也可以找前几年的):ML 2023 Spring (ntu.edu.tw)
- 李宏毅老师生成式人工智慧導論:GENERATIVE AI 2024 SPRING (ntu.edu.tw)
- B站跟李沐学AI:动手学深度学习 PyTorch版
- B站吴恩达机器学习:吴恩达机器学习系列课程
学习经验
- 考试很简单,和平时上课完全是两个难度,但是是第一年开课,不知道后续如何~
参考书目
- [1]李航. 机器学习方法. 清华大学出版社, 2022.
- [2]周志华. 机器学习. 清华大学出版社, 2016.
- [3]Bishop C .Pattern Recognition and Machine Learning. 2006.