Edit me

Every conceivable optimization opportunity has some form of machine learning applied to it.

—— Srikanth Thirumalai

课程总览

相关信息可见https://ieee.icu/#/courses/grade-2/CS2601。

Lecture Notes

我的课程笔记及复习笔记123：

GoodNotes 源文件（下载也许需要“科学上网”）：

文件预览：

我的建议

是否应当自学？

我强烈推荐自学该门课程，一些原因：

  1. 该课程没有出勤分（可能会随时间而改变）。
  2. 老师的 slides 非常详细非常 Informative，所以：我在图书馆的自学速度 > > 在老师的课上自学速度 > 老师讲课速度。
  3. （江波）老师的 slides 中会有很多上课不会讲的 examples，这些 examples 很多都是经典的机器学习算法。
  4. 如果你有较好的数学分析（凸函数部分）、线性代数、机器学习基础（一点点认识或了解即可），我强烈建议你一节课都不去上。（但一定要认真的看 slides 并完成作业）

经思考后下半学期的课我都没有去上（也取得了较好的成绩）。尽管如此，我非常喜欢该课程的老师们，他们及其助教都非常认真且负责任。

老师选择

  • 如果你选择江波老师，每周一次的作业和代码将会对未来课程如机器学习等有很大帮助（i.e., 其中的代码风格、算法实现是值得学习的）
  • 如果你对分数有着极致的要求，可以选择涂仕奎老师。

*更高 (self-motivated) 的要求

  1. 使用 KKT-conditions 手撕(手动推导) SVM 至 Kernal Trick.
  2. 学习一下 Wasserstein Distance 在 GAN 中的应用。论文：Wasserstein GAN, https://arxiv.org/abs/1701.07875.

References

  1. https://jhc.sjtu.edu.cn/public/courses/CS257/, 江波老师课程主页 ↩

  2. https://web.stanford.edu/~boyd/cvxbook/, 斯坦福线性优化与凸优化教材 ↩

  3. https://notes.sjtu.edu.cn/s/W8S2AZ4Yx#4-Linear-programming, Summary. ↩