允中 編譯整理
量子位 出品 | 公眾號 QbitAI
今年春天,Kyunghyun Cho開始在紐約大學教授大學部生《機器學習入門》課程。今天,他把這門課程的講義和相關資料整理髮布出來。
Kyunghyun Cho是紐約大學計算機和數據科學的助理教授,也曾經作為博士后在蒙特利爾大學接受Yoshua Bengio的指導。
以下是Kyunghyun Cho對這門課程的簡介:
之前這門課程由David Sontag教授,但現在他已經轉去了麻省理工。我考慮過繼續使用他的教材,相關資料可以在這裡看到:http://cs.nyu.edu/~dsontag/courses/ml16/ 。這些內容很棒,強烈推薦。
Sontag的課程覆蓋面很廣,但是我覺得可能不適合作為大學部生的入門課程。所以我決定重新創建一個課程體系。對於大學部生來說,最低限度的機器學習知識是什麼?1)至少掌握機器學習的高級觀點,2)畢業后可以在實踐中應用機器學習。
所以就像上一年的NLP課程一樣,我開始著手寫講義。
首先是分類。引入感知器和邏輯回歸作為例子,展示傳統計算機科學與機器學習之間的區別。然後開始介紹(線性)支持向量機。不過由於時間限制,我並沒有教授Kernel SVM。接著使用softmax把邏輯回歸泛化為多分類邏輯回歸。
為了教授如何處理線性不可分的問題,我使用了一種非正統的方法。我從緊鄰演算法分類器開始,最後將其擴展為自適應基函數網路,我稱其為深度學習。講到這裡,大約有一半的學生已經不來上課了……
然後接著講回歸。這裡我著重介紹概率機器學習。我介紹了貝葉斯線性回歸等。
對於無監督學習,我再次使用了一個非常規的教授路徑。令人驚訝的是,學生們對無監督學習更感興趣,熱情超過監督學習,當我教授非線性分類器的時候,流失的學生們已經回來了。
課程的最後,我簡要介紹了梯度策略,也是用一個非常規的方式:把強化學習視作一個分類器序列。這方面的研究人員肯定會不開心,但我覺得這樣是一種更直觀的方法。另外,推薦Joelle Pineau寫的強化學習入門:http://videolectures.net/deeplearning2016_pineau_reinforcement_learning/ 。
安妮薇,我全部的講義都可以在此看到:
有任何的建議可以訪問:
不過,就算我接納您的建議,也得等明年春天再修改講義了~
另外在授課過程中,我還推薦給學生們以下的資料:
Hans Rosling:這是你見過的最好數據(可視化的重要性)
李飛飛:如何讓電腦看懂圖片
專訪Hinton:生命的代碼
https://www.youtube.com/watch?v=XG-dwZMc7Ng
Larry Jacke:貝爾實驗室的機器學習和神經網路
下載上述講義的PDF版本,)對話界面,回復:「cho」三個字母。
【完】
交流溝通
量子位讀者5群即將滿員,對人工智慧感興趣的朋友,歡迎加量子位小助手的微信qbitbot2,申請入群,一起探討AI。
想要更深一步的交流?
量子位還有大咖雲集的自動駕駛技術群和NLP群,僅接納相應領域的在校學生或一線工程師。申請方式:加qbitbot2為好友,備註「自動駕駛」或「NLP」申請加入~
△ 掃碼強行關注『量子位』