Python 機器學習

幾年前教大四資料探勘，使用 R。

受到 AlphaGo 的影響，注意到 TensorFlow 強大的功能，所以去年研究所的機器學習改用 Python。任教的過程中，發現學生的學習曲線較高，所以今年改用 Keras。

機器學習分成問題、數學、和程式。有的課程只教一個面向。在新版的資料探勘課程中，依然採用三者合一的教學，上課影片和上課資料 (作業檔) 在此。

如何在深淺度之間取得平衡，花了些心思，參考的資料包括一堆教科書、線上課程、論文、新聞和產業工作。

以問題應用而言，在適當的章節說明，例如 4-4 節 Zara 降價定價，5-6 節摩根大通多資產趨勢跟踪策略。

就數學而言，在適當的時機，複習微積分、線性代數、統計學、7-17 反向傳播的推導。

程式碼也是挺有趣的，例如 4-3 節線性迴歸方程式，課本只教 sklearn。想說教一下顯著性，所以用statsmodels.api，沒想到兩種算法竟然出現不同的答案。只好試了第三種 (公式解)， 答案和第二種一樣。 之前，不知道花了多少小時，就是找不到原因。這幾天準備要錄影上傳，想說再試一下，再仔細地看了一下官方的規格書，才發現 sklearn 預設的正規化很奇特 (除 l2 norm)，和statsmodels.api 的 z 值正規化 (除標準差) 不同。 經過修正後，答案總算一樣了。第五章的隨機梯度演算法 (stochastic gradient algorithm)，利用 Python 預設值，單變數線性迴歸竟然發散。

其實，在這之前，已經上過幾次。一改再改，大概數百小時。所以一定要定稿，告一個段落，以便能從事其他事情。

這算是新年新希望。