李宏毅ML2021-Spring-1: Introduction

李宏毅老师2021年的Machine Learning课程是完全可以通过线上上课的方式来学习的，因为所有的资料，包括课程、作业等等都可以通过线上的方式来完成。因此我们通过线上上课完全可以实现在教室里同等的听课效果

1. Prerequisite

2021年春季的课程没有考试也没有前置的要求、先修课等要求。

课程没有先修课的要求

虽然这样说，但是其实还是需要一些基础的能力，因为想要听懂、想要能够完成作业这些能力都是必须的：

数学知识：
- 微积分
- 线性代数
- 概率论
编程能力：
- 所有的作业都是基于Python的，并且所有的作业都有助教提供的例程。其实只需要运行助教的例程就能够完成作业。但是想要高分的话还是需要自己能够写
- 所有的作业都会用到Pytorch这个框架
硬件要求：
- 除了前几个作业，后面的作业是需要真实训练模型的，因此会有硬件（GPU）的要求。但是所有的作业都可以通过谷歌的Colab云平台来完成，因此硬件其实不是问题。当然我自己是有机器的，因此就懒得花费时间去学习Google的colab了

要求具有的出能力

课程的方向

虽然名字叫做Machine Learning，但是2021年Spring的课程完全关注于Deep Learning。
- 虽然在知识的划分上，DL是ML中的进阶知识。然而其实在李宏毅老师的讲解下，并不需要要ML的基础知识就能够听懂。
- 因此，本课程其实可以作为机器学习的第一堂课，从中我们可以学习到机器学习的基础知识，熟悉机器学习
- 此外，这门课和林轩田老师的机器学习技法的课程的重叠会很少，因为林老师的课程主要关注于传统的机器学习，只在最后会将到关于深度学习的内容
此外，本课程还会讲解机器学习中最新、最前沿的技术。
- 本课程会从最基础的知识讲到最新的知识

因此，在学完这门课程之后，完全可以：

写完课程后可以干的事

本课程作业有两种形式：

最后，关于编程题的代码需要在NTU COOL上提交。

课程的作业

成绩的评判

首先是关于作业分数的评判：

课程一共有15次作业，每个作业都有十分。只会记录15个作业中的10个最高的来记录分数。
- PS：在老师看来，想要涵盖机器学习（深度学习）所有内容至少需要15个作业
不强制要求完成所有的作业，选择自己感兴趣的作业完成即可
非常鼓励学生完成所有的15个作业
- PS：15个作业全部完成老师会送一件T恤😆

下面是所有作业的时间表

作业安排

最后课程成绩的评判如下：

课程成绩的评判

基础的规则

课程的一些规定如下：

此外，因为部分作业是在Kaggle上提交的，因此对于Kaggle也会有一些规定：

每天的上传次数是有限制的
- 不允许使用多个账号
- 不要相互借账号
- 因为有的作业在之前的几个学期也有布置，因此不要提交之前学习公开的代码
- 不要试图通过任何方式提高提交的次数
所有的结果应该是由机器产生的
- 不要试图手动打label的方式得到答案
作业中使用的数据集都是开源的。因此他们的测试集和训练集都是公开的。因此不要把测试集用于训练
- 此外包括但不仅仅是一下行为是禁止的：
  - 把测试数据加入到训练集中
  - 使用测试数据来调参
- 注意
  - 不要使用其他的第三方数据，例如在imagenet上训练好了跑到mnist上finetune
  - 只使用作业中提供的数据集