机器学习(王杰) 2021春 2020春 2019秋 2018秋  课程号:21070901
2021春 2020春 2019秋 2018秋  课程号:21070901
8.1(19人评价)
  • 课程难度:困难
  • 作业多少:很多
  • 给分好坏:一般
  • 收获大小:很多
选课类别:计划 教学类型:理论课
课程类别:本科计划内课程 开课单位:信息科学技术学院
课程层次:专业核心 学分:3
点评 写点评

我期待的机器学习课,是课上老师讲机器学习算法,课后布置给了充分提示的代码和书面作业,学期结束后能掌握一些机器学习算法并能用代码实现的课程。然而王老师更倾向于打基础,一直在学泛函和凸优化,布置的project却是手写神经网络。导致我现在完全没理解学了这些有什么用,西瓜书上的算法基本都看不懂,看懂了也觉得就是数学公式,对于如何用代码实现,能解决什么实际问题更是完全没有思路。。。。感觉像是报了足球课,结果一学期下来学了脚尖传球,脚后跟传球,脚背传球,基本功非常扎实,却一场比赛都没踢过,然后老师让我们去踢校队,踢赢了才给分。

11 1
与小信号交流感觉这门课直接叫凸优化多好,大家都不会抱怨了.....老师在群里举例子说别人的大学的作业多难也用的是凸优化课的主页,想学类似https://see.stanford.edu/course/cs229这里内容的课程

立即登录,说说你的看法

huxm 2018秋

1.王杰老师备课是真的认真,从ppt,作业,每次的答案,小测题还有在钉钉群里跟学生讨论问题,我认为就冲这一点,最开始那个攻击王老师的帖子(已删除)就是十分不应该的。尤其考虑到王杰老师去年刚拿了青千回国,在科研压力比较大的同时,还能对授课这件事这么上心,就更显得难能可贵了。

2.这门课的任务量确实和2.5学分+大四选修课(ai班必修)的定位严重不符。其实作业量倒也不算大,问题是全都不会做...

3.我也觉得前半部分凸优化那块太理论了,不过其实我还是挺愿意认真的学一遍的,如果不是*友善度*一学期要上这么多乱七八糟P用没有的课的话。

4.接第三条,我的理解是凸优化那部分对于即使将来不去研究ML理论的人也是需要了解的,手写神经网络更是很必要的。问题是ai班的课表里貌似没有哪门课正经的讲一遍传统的ML算法,模式识别那门课讲了一小部分,不过那课的授课质量实在让人一言难尽,而ai导论那门课是讲逻辑推理;在这种之前没学过传统ML算法的情况下,把凸优化这部分放在大四的必修课就显得不是很友好了。

5.之前那个帖子(已删除)把王杰老师和物院著名杀手陈仙辉院士放在一起比较,我倒是觉得王老师身上比较有传承下来的那种老一辈科大教授的精神。当然了,一方面现在学制五改四但是尤其是信息口的知识却越来越多,上世纪80,90年代科大“杀手”的标准放在现在的话确实有点要求过高;另一方面,研究和学习上的短平快实在算不上什么错事,毕竟时代不同了。

6.毕竟ai班刚开第二年,王杰老师也刚回到科大,作为学生当然也有很多苦衷。罗老师那句话怎么说来着,李姐万岁吧。

 

考完试补充:

7.期末考试卷有26页,考试时间2个半小时后又延长至3个小时,而我交卷时候还有一整道大题甚至还没来得及看。

8.不过说起来考试题还是有好多送分的,光CNN就20分了。复习的也基本全能考到,不会出现复习的没考考的没复习的情况,唯一的例外是RNN的反向传播。考试之前我甚至能背下来RNN正向传播公式的顺序,以及反向传播里面的每一个角标。当然,我现在已经忘了。

9.这门课四项任务:小测+作业+期末考试+大作业,我感觉取其中两项就足够2.5学分的标准了。我身处大四,期末复习的时候都很难忍住不吐槽这门课为啥这么多事情,遑论大三了。

10.这门课的优点在于学到的远不止2.5学分,缺点在于任务量也远不止2.5学分。现在考完试之后回头想想,还是挺庆幸没有中途退课的。不过这也是因为我把退课机会用在其他两门课上了。

以上。

 

最后:

王老师还是给调分了的,挂科率从23%调成了8%。

10 0
supZQ 2021春

心态炸了,考试的时候什么都想不起来。

太苦了!太苦了!

人间不值得!


卷面出分了,我来继续更新。

课程难度很大,西区数学之巅。

今年相比于以往,有一些变化。比如作业不再强制使用latex,当然还是要用英文写。这点还是很不错的,latex写这种证明满满、符号多多的作业时间成本太高了。

作业完全靠自己写的话,需要投入巨量时间,更惨的是投入了时间也可能做不出来。

王杰老师的讲义非常好,短小精悍。由于时间紧张,我差不多只花了两天时间预习这门课程,压力巨大,以前备考从来没有这么累过。但是很可惜,没来得及复习作业题,导致期末考试异常糟糕。期末考试总共3h,但是题量巨大,总分110,反正我最后一题连题目都没去看。超过一半都是证明题,分值2、3、5、6不等。没来得及复习作业的我考场上脑子成了一团浆糊,题题都似曾相识,可惜就是想不起来。或许再多给一天,我就能杀穿这张卷子吧。考试状态非常糟,一度以为自己交了半张白卷,但最后出分比预估高了20分。显然,除了过度自我贬低外,助教在改卷上也是奶力惊人!庆幸的是,自己动笔的题目基本全对,GD收敛性那题甚至拿了满分。

但相比其他课程,成绩还是不好,但我个人已经很满意了!

题目我就不重复回忆,楼上肖哥已经给出了完整的回忆版,这里再补充一点:还考了个5分的CNN求导题,完全送分的那种。


自以为数学已经很扎实了,学了这门课才明白什么是扎实。这门课收获超乎想象,理论、实践都学到了很多。对于想要从事AI方面的同学,或者对AI感兴趣的同学,强烈推荐这门课,坚持下去,或许拿不到一个好的成绩,但绝对不枉此行!(至少在机器学习方面我已经很能吹了)


很庆幸,我有一位大佬学长带我飞,深表感激,学长带我飞好久了!还要感谢超强的mm学弟,在作业、实验交流上得到了很多帮助,极大提升了课程体验。

以及感谢助教,问问题都能及时得到回答,人非常nice!

总评估计没那么快出,大作业大家都还没交,希望能感受一波王杰老师的奶力!


出分了,不知道该怎么来吹一波王杰老师奶力......

5 0
FGXL 2021春

来科大上过的最有收获的课程。

课程内容:今年课程主要讲了线性回归、逻辑回归、贝叶斯分类器、决策树、(简单的卷积)神经网络、支持向量机、主成分分析以及讲了一点强化学习的内容。王杰老师很注重原理的讲解和推导,备课很认真讲得也很透彻(常年在计科上那些老师念ppt的课给我搞怕了),上课来不及讲的内容会作为作业给大家思考。

作业/实验:作业量有亿点点大,除了第一次作业我用latex写的之外,其余的都是手写(因为latex太费时间了orz),每次作业时间差不多在5-10h,作业题一部分是老师上课没有证明完的内容,一部分是当节知识的应用,用于帮助理解课程内容,如果认真完成的话收获不会少,唯一的缺点就是由于每年的作业题目几乎一样,所以助教并不会公布答案,只会在习题课上对作业进行讲解。另外,作业每题都会有个小标题,不会的时候直接把标题作为关键词搜索还是可以很容易得到相关内容的。一共布置了七次作业,作业中有一共五个编程练习:线性回归、梯度下降法、逻辑回归、贝叶斯分类器、PCA。大作业是写一个多标签的分类器,只能说选对模型很重要,不然可能做很多的无用功。(顺便感谢跟我一起做大作业的两位hxd)

考试:讲过的内容全部都会涉及到,题目几乎都是作业题,题量很大,想要做完并且拿一个好一点的分数的话最好能够把一些证明直接背下来(不建议这样做,这除了拿一个好分数外没有更多的意义),作业题也要全部弄懂。

目前还没有出总评,可以预料到这是我大学分数最低的一门课程了(出分后来把这句话划掉),但好在收获巨大,无论是数学基础还是编程能力都提升很多,作为外院同学选这门课还是赚的。所以,如果你能分配充足的时间,又想对机器学习有一个入门级别的了解,选这个课就对了~

最后感谢zq学长,在这门课上给我很多帮助。

 

7.22出分更新:王杰奶王啊!我期末大爆炸,卷面应该是40%+,最后总评给了89,感动哭了!这优秀率肯定爆了,大家快来选啊www

 

4 2
dlgfxzt请问学长,这门课适合外院同学听吗?前置课程有哪些?
FGXL回复 @dlgfxzt: 还是有很多外院的同学选这门课的。前置课程就数分线代和概率论。

立即登录,说说你的看法

NULL2123 2021春

这门课不适合给信院大三的学生上,课程负担太重。

作业:作业几乎就是上课没讲的东西,然后留作作业。一般是某个定理或着观察出来的结论的证明。需要非常高超深厚的分析和代数基础!

大作业:不准用torch.nn的库就离谱。手写神经网络,手写梯度下降。

上课:有时候会抛出一些问题,一定要学生回答,(有一次足足等了快1分钟);后来就直接对着花名册点了(不过没有出勤分)。自己站起来回答问题回答会被他逼着继续问,如果没有答到点上的话。记得回答问题一定要站起来,大点声

考试:

考3个小时,9道题,每个题3、4个小问;英文作答。

第一题:判断题。一般出自讲义、作业上的结论或者讲义上的"Question"

第二题:Linear Regression. w的推导,Least Squares和Maximum Likelihood Estimation都要会;注意第一章作业关于矩阵和Column Space 的一些结论。

第三题:GD. 收敛性证明(建议背下来)

第四题:Naive Bayes and Decision Tree. 给一个表格,有3个attributes(Income, Age, Marraige)和对应的class;分别用Naive Bayes and Decision Tree做分类任务。

第五题:Logistic Regression. 线性可分,解不存在的证明;对偶问题的书写。

第六题:SGD. E[F(w_k+1) - F(w_k)] = -(blabla) + var[g(w_k)] 的证明;为什么step可以设置得越来越小?

第七题:SVM. 两类约束不一样但解集一样的证明;解的存在性证明;slack variable + regulation term的解存在性证明;对偶问题里alpha不同取值对应原问题的约束等号、不等号怎么取。

第八题:PCA. 投影矩阵的证明;最优解的推导

第九题:Q-learning in MDP. 作业原题,Q_k收敛性证明;(Q_k单增的证明还是最优性证明)

建议:习题课一定要认真听,答案一定要记下来,拍下来也好,考前背一背!!!讲义也要好好看(bei)一看(bei),考试几乎都是原题。(​即使是原题,不会的还是不会)

4 1
supZQ还是肖哥猛,我直接炸飞!

立即登录,说说你的看法

Shawn. 2018秋

大二下来选的,管统专业,过来贡献一个数据点jpg.

 

课程难度和收获大小前面两位学长已经说过了,确实是一门需要花时间但能学到很多的课程,上学期在家又比较摸鱼,这门课上花的时间感觉 约等于 实分析+ 复分析,主要是毫无编程基础刚开始配个环境都可以弄很久,latex也手生常常写作业一两天,码latex又是大半天过去了.. 

这学期一共八次作业,4个还是5个编程小题(包括线性回归,SGD,Naive bayes, SVD啥的),大作业是手写CNN + 实现DQN算法,详情课程主页上有。 写作业的感受确实有些题目需要花挺多时间才能弄出来,得自己额外看一些资料,同时作业的涉及面很广,从基础的微分,矩阵求导,期望的chebyshev不等式到很难的SVM推导都涵盖在里面,可以说一套做下来课程内容应该是会扎实很多。作业中确实会有些偏分析的题目,课程开始讲的一些 开闭集性质,凸集性质在数分b3里都有学过,算一点小小的优势。然后作业给分可以看得出助教每道题都是认真改的,会给细致的小分,没有标答,可以问助教或者参考往年答案。

关于考试: 备考时间大概一周半,主要是学期中学的有些没学懂复习(预习)花了挺久,考试内容基本上是每个主要部分出一道题,然后外加第一题10个判断对错(比较送分),难度的话和作业感觉相当,内容也有相当多是作业和讲义里面的常用技术和分析方法,建议考前务必熟练(重要的可以默写一下jpg. 如GD,SGD收敛推导,SVM推导,PAC计算,PCA计算等等..)

关于给分:个人作业分百分制大概 90/100, 也就班上中上水平..似乎还有两次分数在40% 以后orz..然后期末考试海星,大作业感觉有些拉胯调了一个星期的参还是没弄太好..看总评深感调分力度巨大给力 (王老师yyds ),总之这么课平常认真学考前复习好成绩应该是不成问题的。

 

一些其他感受:给9分是因为作业实在是有些多了..然后没有太多编程基础的同学来选这门课建议自己多和助教和班上同学交流(再次感谢两位和我一起做project 的bro). 一学期学下来收获肯定是很多的

----------------------分割线--------------------

为什么我发布后评课就只剩一半辽,又重新码了一遍orz...

 

4 0
a ustcer 2020春

在科大遇到的最硬核的一门课,王老师非常注重理论和原理的讲解,比如对SVM的推导讲得非常清晰,这门课硬核的地方在于作业,基本10道题中有9道数学证明题(可能略显夸张),像我这种菜鸡一次作业基本要做几天,我记得最慢的一次是,从早上起来开始做,到晚上十点才做完两题,基本时间都花费在用google搜答案和各种参考书上,还是全英文的。当然到最后也感觉自己的数理基础又提高了很多

 

接下来说说这门课的缺点(仅代表个人意见):

  1. 这门课花的时间远多于单变量花的时间,但只有2.5个学分
  2. 平时的作业非常难,很多都不会做,但最后不会发答案,当然你可以问助教(助教水平非常高而且人也很好),但向我这种一般不会问助教问题的就很难受,导致作业中不会做的到现在还是不会做。。。
  3. 王老师平时好像比较严肃,导致群里不是很活跃,基本没人问问题。。。

 

最后,提醒给各位学弟学妹,王老师是对学术要求非常高的老师,所以最好不要在群里问一些如,需不需要用latex,英文写作业,期末需不需要用英文作答等等这种非常上进的问题,问了之后王老师一定会满足你的要求(手动狗头),我们这届就是教训,(不过期末考试用英文作答好像没什么,因为平时作业就是用英文写的,hhh)

 

补充一下给分:平时作业+大作业+期末,本来还有两次小测,因为疫情也就没了,期末考试10道判断,9道大题,3小时,满分120,比平时作业要简单,我记得还有一题PCA推导送分,所以平时这些推导一定要自己过一遍,我期末卷面也就90多,平时作业也就中位数左右,最后给分感觉符合预期,至少优秀率应该基本给满了,所以大家不要怕担心拉gpa,想学到知识选这门课没毛病

4 1
来自信院的咸鱼“也就90多”

立即登录,说说你的看法

sj 2018秋

硬核课程,2.5学分但远不止2.5学分,愿意花时间认真学的可以选。

 

关于课程内容:

这门课最硬的地方是优化理论,关于这方面别的评论已经介绍的很详细了。凸集分离定理这部分会涉及一些开集闭集的东西(信院好像没怎么讲过),不过愿意啃还是可以啃下来的。

课程后期难度骤减,深度学习部分主要难点在反向传播,但其实也就是链式法则,花时间理解一下公式(矩阵求导)也不是很难。强化学习只讲了两节课,大部分是介绍,没什么难度。

 

关于作业和考试:

一共八次作业,王老师给的作业每道题目前面都会说明这是什么问题,不会的网上搜一下一般也能搜到。所以作业认真做拿个高分应该不难。

比如这个就搜dual problem+sparse logistic regression。

 

3次quiz,前两次quiz题目配置有点问题,两道送分题+一道巨难的题(只有几个大佬能现场搞定)。quiz3倒是很简单,都是ppt里面的例子或者稍微变个型。

期末考试比quiz3稍难一点,但送分题也不少,比起前两次quiz的难度还是比较简单的。

 

可能是王老师经历quiz1quiz2之后发现高估了大家的水平所以开始放水。

 

关于大作业:

大作业比较硬。自己手写一个图片分类器,不允许用包。这需要自己check很多反向传播的细节,代码能跑了之后还要玄学调参,需要花不少时间(我们组从12月中旬开始搞,断断续续搞到1月初才搞完),但自己写下来了收获会很大,对coding的能力也是很大的提升。

 

关于给分:

给分还行,80分以上55%(调分前只有25%),目测优秀率30+%。

 

最后赞一下这门课的几个助教,都是王老师的学生,感觉助教之间关系很好,也都很负责。

 

 

4 1
sj今天又看了一下课程主页,发现已经和cs229大差不差了

立即登录,说说你的看法

li 2018秋

这门课王老师讲的东西确实很多,内容丰富,收获不少。针对很多同学(包括我自己)目前表现出的不适,我有一些想法。

1,凸优化部分其实感觉还好,主要可能是因为自己一直比较喜欢数学课,也比较能啃下去,但是其他同学未必是这样的,因为大多数同学是信院的,首先数学课学的不够多。相比于数学专业的同学,信院同学只相当于学过两学期弱化版数学分析,以及一个学期的线性代数。我拿我自己举个例子,我是信院的,大一的时候线代考的不错,这学期在带线代助教,但是对于这门课,我只能说我应付不了里面的线代知识,所以我觉得原因只能是我们院开的数学课不足以支撑我们绝大多数人吃得消这门课。

2,至于作业,内容确实不多,但是说实话,我要做至少三个晚上。一部分原因是我从大一就习惯于花时间去啃数学题,另一方面(更重要的)是因为很多内容不会,必须花时间上网去找论文才行。所以我赞同某个同学的观点,把这门课加到至少四个学分,增加课时,增加习题课时间(毕竟这门课助教那么多,然而现在我觉得那么多的助教资源好像并没有发挥出作用,例如作业答案作业成绩还没能做到及时上传)

3,课堂气氛感觉略显压抑,课后鲜有学生去问问题,不知道是什么原因。之前上过龚晨老师的信息论,也是一门听不懂的课,但是感觉课堂氛围很活跃,虽然只有几个大佬和老师的互动,但是至少还是有互动的。

4,关于给分,因为是后来选的课,之前不知道老师调不调分,但是好像在评课社区看到好像说似乎不调分。我觉得不调分的目的是为了让这门课不水,让大家有压力去好好学。但是让一门课不水的办法不只有提高挂科率。改善课程总评的结构,例如理论作业,编程作业,小测相结合(这一点这门课已经做到了);增强课堂-课后的学业管理,例如像数学基础课那样,增加时间(每周一次)用于课后辅导答疑习题课(特别是考虑到机器学习这门课并不与工科数学基础接轨的前提下)。这些都是保证教学质量的好办法。今年这门课有很多学生都是非人工智能选修进来的,可见全校本科生对于机器学习这门课程学习的热情和需求,但是如果最后大家发现挂科率过高,那么对于这门新兴课程的发展显然是不利的。

罗马不是一天建成的,从学校人工智能教学建设角度来说,如何把数理基础课和后续的诸如机器学习这类课衔接好,可能是需要长远考虑的。如果单论这门课而言,我的看法就是以上内容。

4 2
每次作业三个晚上太真实了。。
林新源其实作业怕是助教做起来也有难度吧。

立即登录,说说你的看法

walden 2018秋

把这个课分成两半,老师一半,自己一半,我给老师打满分,给自己打零分。 作业巨困难加超大作业量。更何况编程各种束手无策毫无思路。我觉得在巨大的课业压力下,我可能没学到些什么,是不是觉得不可思议?事实就是这样,为了平时分,那个作业就算不懂也得是抄了正确的解答交上去。评分机制和教学目标的统一性对于水平一般的学生,实际上很难统一。 事实上我觉得这门课的开展本就是给那些尖子生准备的饕餮盛宴,对于一般人,不好意思,就是去做分母的。 老师很认真,但是感觉上课的内容和实际我们要完成的作业还是有一定程度的脱节,或者说,应当必备的前置知识都忘的差不多了,在这个时候对前面的知识还要做联合和统一,要求的确有点高了。更何况,不止这一门很难的课呢。。。 学校的想法不太清楚,个人希望能够在这门课的选择性上多点可能,毕竟不是每个人都能扛得住王杰老师的“厚望”。 如果不是没得选择,我大概率会退课吧,从来没有一门课能让我如此之绝望于自己的弱小和平庸。 祝愿后来者都能找到适合自己的学习方法。 我也就是所谓的loser了。

3 0

这门课是目前人工智能班体验最佳的课!在这门课上第一次感受到什么是扎实的数理基础233333旁边数院选修同学上课看起来也没有很轻松。

和一般的以简单样例为主的机器学习入门课不同,王杰老师的课贯穿矩阵分析,概率统计,凸优化,泛函分析。使得一个在饱受离散数学三部曲折磨的人重新get到数学之美。对看paper帮助也很大。

收获是真的大,耗时也是真的多,堪比微积分,学期内基本一般学习的时间都在学这门课lol。一共七八次平时作业,平均每次作业至少花费一整个周末(还是到各地讲义上四处搜刮答案拼凑的)当然学期末的时候大家也基本都有以前作业蛮简单的感觉,说明可能真的入门了。

期末考试一共十个判断和九道大题。其中有一个要求证明在没有利普斯连续性的情况下证明凸函数的某个gradient descent的性质,考场上很懵逼。还有手动推到CNN反向传播的gradient(比较简单),VC-dim的证明(是一个矩形的很懵逼2333),PCA的计算,求解拉格朗日对偶问题,softSVM的证明(改变自作业题的hard margin SVM)。每一道题都不是很容易,期末满分120只有14个人及格....(个人觉得主要是大四同学,可能平时没有花什么时间学,期末速成也比较困难,所以考试比较惨淡,但其实没有那么夸张)

大作业是要求基于numpy写face verification system。直接调研一下state-of-art模型然后翻译成numpy就可以了。训练的时候比较困难(如果会cuda编程可能好写),可以用预训练的模型然后fine-tune

最后给分老师调分幅度还是蛮大的,基本相比学期初说的20%作业+20%project+20%小测+40%期末都抬了手

推荐MIT那本线代教材,里面一些基本的线性代数的东西对这门课最开始上道很有帮助。

总得来说这门课收获很大,很有国外一门课的感觉,老师付出也很多,助教相当负责(而且数理基础超级超级扎实发paper也相当nb!!!),在时间允许的情况下非常推荐~

唯一美中不足的是作业内容基本是上课没有证明完的东西,上完课本来就很懵逼然后写作业就更懵逼...如果能有一些补充材料会大大提高学习效率

3 0
嘿嘿嘿 2020春

先说结论:这是我这个学年,甚至是在科大本科三年感觉到收获最大的一门课。

关于课程内容:这应该是王杰老师第3次或者第4次开这门课,显然对于整个课程框架的设计要合理了许多。整个架构应该是参考了诸如CS229这样的国外优质机器学习课程。主要分为三个部分:

  • 监督学习:linear regression, logistic regression, SVM, naive bayes, gradient descent, decision tree, NN、学习理论...大约占了10节课。
  • 非监督学习:PCA,1节课。
  • 强化学习:大约3节课。

相较于往年学长学姐评价而言,应该是削减了不少凸优化的内容,而更关注于机器学习本身。我个人认为凸优化的知识在机器学习中是重要的,但不是最主要的。我认为只有少数同学今后会继续从事与优化和理论机器学习相关的工作,而更多人以后用到的是机器学习的general idea。如果在一门仅有2.5学分的机器学习课上过分强调凸优化而忽略一些基本模型的idea,我个人认为是不合适的,因此今年这样的课程体系改变是较为合理的。

关于作业:根据助教反馈的情况,这学期作业占比达到了40%。(当然也有可能是疫情回来大家考的都很菜提高了作业比例)。总共有8次小作业(一次10道题左右,要求LaTeX排版提交,我一般写一次作业要一整天比较菜2333)以及1次大作业(每年都会变,2-3人一组的coding和报告,今年是利用DQN打Atari游戏)。小作业难点在于数学,尤其是前几次作业中的一些关于closure,开闭集性质,projected gradient descent收敛性证明等等,对于数理基础不好的人很不友好,这种题我一般都是Google半天才能搞定。大作业的难点在于不能借助任何有autograd功能的深度学习框架复现paper,基本上就是用numpy写DQN from scratch。加上DQN这玩意本来也不是很稳定,调参调了不少时间(手动感谢大佬队友自己写了个autograd)。作业可以得到助教的小分反馈,有问题可以问助教,但是不会公布答案。

关于课堂:王老师课堂还是没话说的,在信院可能除了6系信息论以外很难看到有一门课的课堂能有这么扎实的推导。王老师课堂前期以板书为主,后期进入了NN,RL之后以PPT为主。讲的还是很清楚的,看得出来王老师本人对ML这些模型以及GD等优化方法理解的还是很深的。唯一遗憾的是由于疫情只能隔着屏幕上课,无法身临其境地感受。

关于考试:3个小时题量是真的大,但是这些题也确实没有故意刁难我们。120满分我大概光没写的就快20分了,还是疫情期间太浪了没好好复习2333。试卷基本上是一章一道题。第一题是一些概念的判断,然后是linear regression和对偶、logistic regression和对偶、某个变体SVM和对偶、PAC、CNN求导、PCA、value iteration还有Lipschitz连续下的收敛性(讲义都有)等等。

关于给分:我只想说王老师给分真的无敌了,我考这逼样都能满绩,这个给分是真滴香!

2 0
风月俏侦探 2018秋

以前在夏令营或者冬令营上过另外两个学校的机器学习教程,一个是哈工大的,一个是佛罗里达大学的,嗯,理论实践并行,学习快乐又有热情,觉得收获挺多。

这门课嘛,,单纯就课程内容来讲,上得比较纠结。

老师从选课起就不断给你施压,意思是你抗不住你就别选我的课。

一开始特想上,觉得大四打好基础肯定研究生小赚,可能就我的能力而言,我想多了。。

如果看看斯坦福公开课,CSDN, Github绝对学得轻松又惬意。

当然了,还是感谢老师,在有限的时间内给你压缩了数学知识和工程实践,PPT也非常的,,,elegent,努力学还是能打下挺好的基础的。

 

2 0
助教 2018秋

本人旁听,统计,发表一些意见。

1,课程内容:目前,统计(简略),凸优化(偏机器学习,量多)。会出现一些矩阵求导之类的新定义的东西。建议:对讲的内容,每一步都定义好。

      课时:相对课程内容量来说,应改成分成每周两天,每次两节。或者分两个学期,一学期的课打概念基础,一学期着重讲机器学习的研究和应用

       课件错误:不多,但是影响阅读,对学数学的同学尚且感到不易,更何况信院同学?

     作业难度:困难的题目多因为出题的方式没有循序渐进。或者用到太多数学的东西(应该出一些数学的简单推导证明题)。

 

矛盾:为前途挣扎的信院同学与高难度的作业和内容。

 

 

个人看法:如果要做为一门硬课,王老师开的这门课确实应该具有目前的难度,但老师课件有不少有问题的地方,而且很多数学的地方都跳过,比如矩阵最大特征值的次微分。最后一步来得不自然。而考试和作业却偏重数学的内容。(如果这样,我希望老师多讲点数学的)。 而这些我觉得这些内容对目前大多数信院的同学在大四一边为前途奋斗,一边为写作业苦苦挣扎。  这些作业,做起来其实挺好玩,但是HW6,我觉得难了。对偶问题本来就很难理解,引入一些约束条件(比如HW6里的提示)会不会对问题造成影响?这些需要好好思考。个人感觉作业的难度就更大了

 

建议:我相信不少信院同学暑假都做了暑研,而很多都应该是机器学习,必然他们也看了不少相关的paper。 可以给课程增加一个 同学讲paper的bonus环节,share一下他们怎么理解他们看的文章,他们的做法。分(0/4/5)三档。

 

 

 

 

1 0
wtd2018 2021春

和诸位所说相同,课和作业都超难 好在考试不难,全部都是课件例题,每章都有,最后一章没怎么细看,考了原题没做上。 自己按照公式预估75给了83,肯定是调分了,总体来说收获是有的。

0 0
沙罗希瓦 2021春

吹爆王杰老师,课程内容比较重视基础,有亿点点难不过给分超好(期末卷面炸了 + project用的naive Bayes = 85),适合数学基础扎实(雾)的童鞋学习

0 0
Bellin 2021春

信安21春旁听,因为是信安的专业方向选修学分课,所以开学选了课,之后第五次作业写到一半真的写不动了,之前四次作业都是A+,但是还是退课了,大三下真的扛不住这样2.5个选修学分。只能说课程能学到的东西绝对值4个学分以上,作业题和作业量是真的硬,还有大实验手写神经网络,禁用很多python上面现有的库,难顶。记得老师后面上课还问了为什么你们不是必修还来上这门课?结果之后我就退课了hiahiahia

建议真心想做AI方向的一定要来上下这门课。说下个人感受吧。

  • 上课:

    水平很高,王杰老师是青千,之前也在美国当过助理教授,水平毋庸置疑。上课超级硬核,个人感觉最难的还是凸优、SVM推导、拉格朗日对偶问题那块。建议真要学这门课,打好线性代数、数学分析、概统基础。上课还是略显枯燥的,因为太多数学证明了(听懂就行,很多证明技巧单靠上课是学不会的),另外老师都会自己板书,而且会不时提问,但是提问气氛都有点尬(对比之前看的斯坦福cs229之类的课程,可以感受出国内外课程差异挺大的)。

  • 作业:

    这门课槽点和亮点可以说都在作业上面了,作业题目看得出都是精心挑选布置的,质量挺高的,而且每年题目会改一些,对于想我这样的西区普通人而言,数学要求太高了,不过西区人一般翻墙和Google能力不会差,耐心点基本还是能找到相关资料和证明的,都看懂对自己的数学大有裨益。槽点就在于作业太多了,我前半个学期其他所有课的作业都比不过机器学习这一门课,所幸这学期没有要求作业必须用latex。划重点:如果数学基础不好,这是一门作业能让你做破防的课程。这里分享一下自己前面几次作业的编程题目USTC Machine Learning

  • 考试:

    没考,布吉岛。

     

前面两年的课程主页

Spring 2021

Spring 2020

 

 

0 0
吼猴 2021春

王杰老师水平超高,听说是人工智能领域首批6个优青之一,对待科研和教学都十分认真,经常在课上强调不要只是为了刷一个高分而学习(他在第一节课也强调了这门课不是为了难为学生的),要真正去思考、领悟,这样才能有所收获。(好像王老师回国之后在工业界,貌似是滴滴,也待过一段时间?)

助教之间关系好好啊2333333,好像都是王老师的学生。水平也超高,棒棒哒。

本课程用到的数学只有微积分(数学分析)、线性代数、概率论,很多非数院的大三同学觉得难可能是因为太久不用数学有些生疏了。所以我推荐大二的同学们来选这门课,趁着数学还没忘光赶紧来王老师的课上巩固提高一下,相信会有极大收获的!

0 2
dlgfxzt请问不用到概率论吗
吼猴回复 @dlgfxzt: 漏掉了,已修改。感谢提醒!

立即登录,说说你的看法

xuanlan 2018秋

确实能学到东西,而且我感觉作业的负担也不算特别重,大概半天的时间就能够写得完(虽然结果一般只能拿到6-7分,而且我的作业成绩差不多是中位数,就是说大家都是这样) 建议的话,先看看我们这一届挂多少人(如果王老师一分不调可能会挂40%的人),挂得多就别选了,看课程主页写作业就好了,体验也不比真的上课差很多。

0 0

王杰

教师主页: 戳这里

其他老师的「机器学习」课

未知 2017春
崔文泉 2021春 2020秋...
何劲松 2021春 2020春...
张曙 2021春

王杰老师的其他课