Lo tomé este semestre más reciente (otoño de 2015) con Leslie Kaelbling, Guy Bresler y Tamara Broderick.
En general, diría que fue mi clase favorita que tomé en el MIT este semestre. No sabía demasiado sobre los detalles del aprendizaje automático antes de tomar el curso, y al tomar la clase aprendí una cantidad increíble. Definitivamente es muy matemático y teórico en las conferencias, por lo que es realmente importante tener una sólida formación matemática (especialmente en álgebra lineal) para comprender la mayor parte.
Sin embargo, la clase realmente no asume demasiado conocimiento previo del aprendizaje automático, lo cual es bueno. Pero, dado que la mayoría de las personas que toman la clase son estudiantes graduados que ya conocen el material o estudiantes universitarios que tomaron 6.036 (introducción al aprendizaje automático), la clase se mueve bastante rápido. A lo largo del semestre, básicamente deriva los modelos de aprendizaje automático más comunes (regresión de cresta, regresión logística, SVM con núcleos, redes neuronales, modelos gráficos, EM, modelos de mezcla gaussiana) y realmente profundiza en las matemáticas de por qué funcionan. Es bastante informativo e interesante, pero a veces abrumador es fácil confundirse.
La estructura de tareas es interesante, y después del hecho, estoy empezando a apreciarla realmente. La tarea calificada consiste en tres trabajos de estilo académico, en los que implementa un algoritmo específico derivado en clase, investiga cómo varios parámetros afectan los resultados y lo aplica a algún conjunto de datos del mundo real interesante. Por ejemplo, una asignación estaba aplicando regresión de cresta al conjunto de datos Titanic, y otra estaba creando una red neuronal para clasificar números escritos a mano en la clásica base de datos de dígitos escritos a mano MNIST. Además de eso, tiene problemas semanales de tarea que no están calificados, y son problemas teóricos breves para asegurarse de que comprende el material bien desde un punto de vista intuitivo y matemático. El 25% de su calificación son las tres tareas, y dos exámenes representan el 25% de su calificación cada uno, compuesto por problemas al estilo de sus tareas semanales.
- ¿Qué se siente ser un italiano?
- ¿Cómo se percibe la Universidad de Washington en St. Louis en Silicon Valley?
- ¿Por qué las personas están más unidas a su institución de pregrado que a su escuela de posgrado?
- Soy un estudiante indio que estudia en el 12 ° grado. Aspiro ir a los Estados Unidos para mi graduación. ¿Puede alguien ayudarme con esto?
- ¿Cuál fue su experiencia en informática en una universidad de primer nivel? En particular, ¿era lo que esperabas?
El 25% final de su calificación es un proyecto final, en el que tiene una buena cantidad de libertad para implementar y analizar básicamente cualquier cosa utilizando los modelos y técnicas que se enseñan en clase. Por ejemplo, mi proyecto estaba tratando de clasificar las expresiones faciales usando una variedad de técnicas diferentes, incluyendo SVM y redes neuronales basadas en puntos de referencia faciales y una red neuronal convolucional profunda. Aquí está nuestro documento final en caso de que esté interesado, y podría darle una idea de la clase.
En general, aquí están los puntos de alto nivel:
- La tarea basada en proyectos es agradable si prefiere construir cosas para resolver problemas teóricos.
- El material de la clase es bastante teórico, para lo cual debes estar preparado si quieres tomar la clase.
- No consume una gran cantidad de tiempo porque la mayor parte de la tarea es opcional.
- Un montón de material interesante cubierto rápidamente. Si pones el tiempo, aprenderás mucho.