返回課程列表
[MATH5470]建议组队上，Solo有你受
課程時間：2018年春季
授課教授：荆炳义
我覺得教授：很有趣
評分標準：Final Project 100%
這門課的Grade：Grade神/較好
我覺得這門課 建议组队选课
现在趁着AI的风潮，主要带上machine learning，AI有关的词汇，都极其抢手。。。一门数学系的PG课100多人enroll实属罕见。
内容大概就是老师讲ESL里头的一些核心内容，Elements of Statistical Learning这本书还是很经典的。但是荆老师讲统计科一贯idea为主 数学推导为辅，上课跟着他学习思想是很重要的。不过要是学纯血数学的可能觉得这么讲课太toy了不是？
ESL这本书怎么讲都可以，讲完有讲完的方法，讲Lasso都可以讲一学期呢。荆老师基于此，也就抓住了核心的一些learning方法了，lasso，svm，decision tree，相信这些词对于边缘人也已经耳熟能详了（笑
不过从这门课的outcome来讲，你推多少ESL的推导和证明，做多少理论习题，都不如会来一套neural network的代码管用（笑 最后的final project就是4-5人一组做一个与自己有关的老师觉得你可以做的一个项目、因为上课的人五花八门,有应用在option pricing的，stock market的，还有cs来深度学习的（可是你确定没上错课？），最后一个人来搞（比如我）还是很难受的，我应该是唯一一个做理论的了，比如做了高维统计里头的aggregation问题的一个case，然后跑了一个markov chain monte carlo的simulation也就结束了。还是很契合这门课 统计机器学习的主题了。
至于说特别理论的东西、归根到底还是1. 传统Learning theory涉及到里头的一些经典估计问题需要concentration of measure，不过这个明显是概率的功底了 2. 还有一个是做机器学习理论研究新的methodology、估计考虑到受众水平，要求这么高也不现实吧...所以就姑且上的很应用的样子了、都要工作的、谁还在乎理论（笑 这块可以参考Percy Liang（主要是1） 还有 Larry Wasserman的笔记（也是比较基础了，但挺适合菜鸟结合ESL学习）做机器学习的不会不知道我在说的是谁吧（笑
