即刻App年轻人的同好社区
下载
今年的数据集有点[失望R]搞了好久才涨了0.0002[失望R]前100集群的佬们是在哪里得到magic feature了吗，好想知道[失望R]
#kaggle[话题]# #量化[话题]# #打比赛[话题]# #数据[话题]# #机器学习[话题]#
#kaggle[话题]# #量化[话题]# #打比赛[话题]# #数据[话题]# #机器学习[话题]#
1 00
今天拿到结业证书，算是对'24年一个目标完成做个总结。
MicroMasters Program in Statistics and Data Science (SDS)是由麻省理工提供的超硬核和高认可度的项目，在类似项目中我认为是难度最高，理论深度最广的项目。所有课程由麻省理工"数据、系统与社会研究所"(IDSS)教授执教，与MIT全日制研究生强度和进度相似，所有课程结业后会有一个大考，通过后获得结业证书，可以抵扣包括在哈佛，清华大学等名校的相关全日制硕士项目的学分。
学习感受：
课程包含3节必修课及1节选修课，历时约1年左右。
- Probability - The Science of Uncertainty and Data
- 概率学理论课（选课编号6.431）由Tsitsiklis教授执教，老爷子在全球享有很高的知名度，课程深入浅出，让我得到了很好的"数学概率"的直觉，现实世界中所有的工程问题，小到各种概率游戏，大到资本市场和宏观经济，都有了全新的思路和解法。
- Fundamentals of Statistics
- 统计学理论课（选课编号18.6501）由Rigollet教授执教，理论很深，作业量比较大，考试难度也是比较高的，但是，一分努力一分收获，学下来之后，可以说是真正具备了"纯理科"的思维解题方式，基本上任何统计学的课程都可以横着走了。
- Machine Learning with Python: from Linear Models to Deep Learning
- 机器学习算法课（选课编号6.86）由Jaakkola教授执教。这节课很优秀的将之前的概率和统计理论知识，转化为机器学习算法的应用。从线性模型，MLP到SVM，对基石类算法进行了深度的可解释分析。当然，在Kaggle打比赛的朋友们都知道，树，梯度和ensemble类算法应用更多，但这门课程可以让你对算法这个领域的完整理解，没有空白。
- Data Analysis: Statistical Modeling and Computation in Applications
- 数据分析应用课（选课编号6.419)由Jegelka教授执教，这节课讲授的是如何将前面所学的理论知识，应用于现实世界的数据集。不像其他课程，没有期中，期末考试，而是采用开放式报告论文，由其他同学打分的方式决定成绩。这门课会培养你的"数据直觉"，熟练应用各类unsupervised比如K聚类算法，PCA, t-SNE, SHAP分析。这门课对我最大的帮助就是让我熟练了用LaTex写报告，以及实现复杂的数据可视化。
总体来说，如果你想真正从技术角度进入"AI"这个行业，完整走下来，这个课程项目可以给你铺垫好你所需要完整技术栈。从高数、线代、向量、矩阵，到概率学，到统计理论，到机器学习算法，到各种开发工具，到数据可视化，让你对"AI"这个领域的完整理解没有空白。课程体验非常好，非常推荐！
MicroMasters Program in Statistics and Data Science (SDS)是由麻省理工提供的超硬核和高认可度的项目，在类似项目中我认为是难度最高，理论深度最广的项目。所有课程由麻省理工"数据、系统与社会研究所"(IDSS)教授执教，与MIT全日制研究生强度和进度相似，所有课程结业后会有一个大考，通过后获得结业证书，可以抵扣包括在哈佛，清华大学等名校的相关全日制硕士项目的学分。
学习感受：
课程包含3节必修课及1节选修课，历时约1年左右。
- Probability - The Science of Uncertainty and Data
- 概率学理论课（选课编号6.431）由Tsitsiklis教授执教，老爷子在全球享有很高的知名度，课程深入浅出，让我得到了很好的"数学概率"的直觉，现实世界中所有的工程问题，小到各种概率游戏，大到资本市场和宏观经济，都有了全新的思路和解法。
- Fundamentals of Statistics
- 统计学理论课（选课编号18.6501）由Rigollet教授执教，理论很深，作业量比较大，考试难度也是比较高的，但是，一分努力一分收获，学下来之后，可以说是真正具备了"纯理科"的思维解题方式，基本上任何统计学的课程都可以横着走了。
- Machine Learning with Python: from Linear Models to Deep Learning
- 机器学习算法课（选课编号6.86）由Jaakkola教授执教。这节课很优秀的将之前的概率和统计理论知识，转化为机器学习算法的应用。从线性模型，MLP到SVM，对基石类算法进行了深度的可解释分析。当然，在Kaggle打比赛的朋友们都知道，树，梯度和ensemble类算法应用更多，但这门课程可以让你对算法这个领域的完整理解，没有空白。
- Data Analysis: Statistical Modeling and Computation in Applications
- 数据分析应用课（选课编号6.419)由Jegelka教授执教，这节课讲授的是如何将前面所学的理论知识，应用于现实世界的数据集。不像其他课程，没有期中，期末考试，而是采用开放式报告论文，由其他同学打分的方式决定成绩。这门课会培养你的"数据直觉"，熟练应用各类unsupervised比如K聚类算法，PCA, t-SNE, SHAP分析。这门课对我最大的帮助就是让我熟练了用LaTex写报告，以及实现复杂的数据可视化。
总体来说，如果你想真正从技术角度进入"AI"这个行业，完整走下来，这个课程项目可以给你铺垫好你所需要完整技术栈。从高数、线代、向量、矩阵，到概率学，到统计理论，到机器学习算法，到各种开发工具，到数据可视化，让你对"AI"这个领域的完整理解没有空白。课程体验非常好，非常推荐！
3 10
事情经过是这样的：正在勤恳的跟gpt4请教高数知识，公式算到一半给我来了一堆胡扯😂顺手喂给其他AI做了段Rap，你别说，还真fire🔥真是笑不活了🤣🤣🤣
00:28
4 01
[原创] 跟着Roy学哲学 [第12课]
今天是“跟着Roy系统学哲学”的第12课！今天聊聊人自我的身份认同，以及如何思考身份认同的持续性的问题。
*本系列由我Roy(网名：Creative Ataraxia)原创独家制作。
今天是“跟着Roy系统学哲学”的第12课！今天聊聊人自我的身份认同，以及如何思考身份认同的持续性的问题。
*本系列由我Roy(网名：Creative Ataraxia)原创独家制作。
0 00
