老师讲课水平很高,会专门有一节课补凸优化的知识,来听课就能学到有用的。当然部分点偏通信专业,部分内容有一定难度。2.拿高分的角度:如果仅凭本科的线代知识,平时不去上课不做课后题,仅最后一节课去听习题课,加上考前突击两三天,外加能带书,考75+应该不难。在这个基础上,平时去上课做点课后题考85+差不多 >>更多
该课程的课纲和AI专业前期开设的许多课程高度重合(离散数学,运筹学,数据算法),同时对之后的实践课程也没有凸优化这门课程重要。我不理解为什么会放在这个学期作为AI专业必修。1. 授课内容后期邵老师教授的内容和之前的几乎重合,所教授内容没有超出离散数学这门课的范畴。不理解为什么“字符串匹配”那章被安排 >>更多
附一点进一步的学习资料:(来自北大文再文老师)
从培养方案看,ds的同学这学期已经学了一门伪凸优化的运筹学了,机器学习还要在学一遍,为什么不干脆学完运筹学再上这门课?数院老师讲的数学也比人工智能老师讲的数学强吧。(还有期末考试时间是怎么安排的,机器学习算法基础运筹学四天考完,不能隔几天考一门吗,元旦基本就没啥事了硬是在学校坐牢两周才考)从作业考试 >>更多
β,求α和β的极大似然估计就转化为一个二元函数的优化问题,常用的求解方法是Newton-Raphson算法和Fisher Scoring算法,具体细节凸优化应该会讲,就不赘述。所以这门课的关注点应该放在如何正确写出(条件)似然函数上面。指数族的似然函数在数理统计里面都有讲过,但实际问题中经常会碰到冗 >>更多
这门课的内容给我的印象是:机器学习导论(介绍性的)+回归分析+凸优化+贝叶斯推断。作为数学系的大四老狗,在学这门课的时候对内容比较熟悉,对算法原理也比较了解,所以最后获得了一个相当高的分数。 先说一说我学这门课的收获。老师上课的时候对许多经典的模型的动机和原理都讲得比较透彻。对数学或者统计系的学生来 >>更多
,比如实验 1 的线性回归有很多同学在特征数很多时使用了 Adam 优化器,并取得了很好的效果,但是同学们都没有解释为什么(Adam 优化器一般用在非凸优化的情况下,这种问题梯度下降结果与数值解相差较大的实际原因是构造特征的相关性太大,极值附近梯度太小难以学习;解决这种问题的本质方法是构造更合理的特 >>更多
然而这门课并没有学到任何我想学的东西,内容更像是凸优化但远没有数院的运筹学讲的好,以及一些分类器的数学推导和原理,然而和正常的数学课在逻辑性和严谨性上也相差甚远。以及没有什么上机和代码的东西。全英的PPT和试卷。(以及复习的时候ppt完全让我抓不到重点,也可能是我的问题。)怎么能做到让数院的同学和计 >>更多
统计专业这学期有泛函分析,回归分析,凸优化,实用统计软件四门主课(之后的培养方案会改)。每周花在R语言上的时间超过这三门中的任何一门,甚至有的时候几乎达到其中两门的和。而且多次作业中有表述不清/错误的题目。比如有一次作业一道题要求“用置换检验法检验样本的显著性水平”,完全不明白什么意思,群里也在讨论 >>更多