巨SB的一门课, 不过Buhmann要退休了, 下学期停开一年, 后面估计会换老师. 所以本测评没啥指导意义, 权当我吐槽了.
首先说一下老师,
Buhmann是从物理Phd转到ML的. 所以说话的时候, 容易带一些守恒量, 对称性, 之类的黑话, 如果你听不懂, 那绝对不是你的问题. 这个人说话就很有神秘主义色彩, 就不是以想给你解释清楚的目的去说话的. 除此之外, 这个人的一些评价确实很高屋建瓴, 他说的有些话可能背后就在说一些前沿文章的结论, 因此信息密度比较大, 对考试和基础夯实没啥用. 有些经验性的东西能感觉到对实践很有指导意义. 但是, 上这门课的很多人基础都不太全, 比如我, 所以在没啥基础的情况下, 和我们讲哲学, 那只能是对牛弹琴. 另外, 板书很难看, 可能需要AI才能看懂吧.
另一位讲师是Carlos Cotrini, 是一位PostDoc. 讲课还算不错, 最起码能把概念和推导解释的很清楚. 但讲课不是很有经验, 推导有些慢, 没法涵盖很多内容. 另外slides里有些东西经不起推敲, 比如在Ensemble那一课, 他想引用某篇paper说ensemble相当于implicit l2 regularization. slides里给了一些像模像样的推导, 但一看就很有问题. 而且这样新的结论考试也不会考, 为什么要花这么多时间讲呢? 直接给一页slides描述性的说几句就得了呗. 还有就是在讲Boosting的时候, 他想用neural network里的double descent现象来给boosting做某种合理化的解释, 我认为把这种没有被证明的结论直接放在slides里是很不负责任的. 我还想起在non-parametric method那一章, 讲了狄利克雷过程和两种采样方式, 但是基本就是云里雾里蒙混过关的. 总的来讲, 讲课给人一种教幼儿园小朋友的感觉, 想要教会你一些知识, 但又不全教给你, 教你一个简化版本…
个人认为AML的内容粗而不精. 从他的大纲可以看出他想讲很多内容, 但是每个都讲的不太细致. 而且速度有些慢, 到最后PAC理论那里就根本没讲完.
习题课: 基本就是摆烂了, 题目过于简单粗制滥造, 有的直接扒PRML的题目, 然后还选了最简单几道题, 习题课助教有些就很糊弄. 完全和advanced不沾边.
课程project: 养蛊, 给分靠排名. 而且和课程体系很不相关. 比如第二个和第三个project都是用到了neural network, 但整个课程就没怎么讲neural network. 而且, 你能发现每个project都是各自负责人的paper的一部分, 我觉得就是对付. 根本没想过这个project的主题是否和课程契合.