Week 1 - Intro & MLE
暴论
Bham的这门AI 2，除了中间的两节CV intro，借鉴了CS231n的课件，其他的可谓都是垃圾。我对这门课十分不满。
首先，我对于前5周的slides感到十分无语，甚至感到愤怒，因为其超级晦涩难懂，太数学了。这门课的内容明明就不需要讲的这么数学。教授明明知道台下的学生没学过概率论，没学过线代，可他一定要整一个Beamer，上面放一堆纯数公式，用精准无比但又难以令人理解的逻辑化语言进行旁批，这很酷吗？
其次，CV intro虽然讲的不错，但是课程安排问题很大。这两节课我听的很开心，因为我有基础，也听过一遍CS231n。这两节课基本就是把CS231n的课件拿过来，快速过了一遍。台下的学生基本上既没有数学功底，又没接触过AI，一上来就介绍框架，通用算法之类的。当我刚接触AI的时候，我完全不理解什么是框架，也认为算法和我这个新手没有关系。
最后是两节搜索。在我看来在2024年，AI里面讲搜索，我建议讲到A*就成了。一定要在AI课里面讲n皇后，回溯，剪枝，这是在干什么？莫名其妙的。我清楚地记得，在描述n皇后的问题约束时，x1，x2不能相等，下面都有学生问个不停，整堂课听下来就是进度慢，无语，不知所言。
我建议，这个课要是想偏数学，那就直接前三节课讲概率论和线代，后面直接Machine Learning就行了，讲到什么多重感知机就完事了；要么这课就纯导论，CV两节，NLP两节，AI4Sci两节，遗传进化算法等东西上几节就行了；要么就讲传统算法在AI中的运用。现在这种课程拼接方式，不伦不类，我认为大多数同学都会觉得很无语。
Maximum Likelihood
思想：我们进行一次采样，得出一个结果。我们认为，由于我们一次采样就采样到了这个结果，所以我们认为代表这个结果的概率密度就应当是最大的，所以我们求导=0就可以得到限制条件，从而得到想要的参数。
二项分布又称Bernoulli distribution
似然函数如下：
在一般情况下
- 如果X是离散的，那么就是所有情况f(x)的乘积
- 如果X是连续的，那么就是求f(x;θ)对x的边缘
根据极大似然的思想，可以得到估计结果：
这个函数怎么求最大值？先对齐log再求导，因为不改变其单调性。求导后这个玩意叫cost function
Optimisation
优化流程：
- 建立模型
- 定下来问题类型
- 选择优化算法
Machine Learning就是一种优化问题
- 监督学习就是给定结果的标签
- 无监督学习就是不给y的标签
Gradient descent
懒得写了
\
Larry Shi