CS-GY-6923-机器学习：CS-GY 6923机器学习的作业分配。 2020年Spring纽约大学

在本课程"CS-GY-6923 机器学习"的2020年春季学期中，纽约大学为学生提供了深入理解机器学习概念和应用的机会。这门课程的作业部分，体现在名为"CS-GY-6923-Machine-Learning-main"的压缩包文件中，通常会涵盖一系列实践性的任务，旨在帮助学生巩固理论知识，提高编程技能，并通过实际案例加深对机器学习算法的理解。 "Jupyter Notebook"这个标签表明，课程作业可能采用Jupyter Notebook的形式。这是一种交互式环境，允许用户结合代码、文本、数学公式和可视化来编写报告。Jupyter Notebook在数据科学领域广泛使用，因为它便于分享工作，进行迭代开发，以及记录和解释数据分析的过程。 在"CS-GY-6923-Machine-Learning-main"文件夹中，学生可能会发现一系列的IPYNB文件，这些是Jupyter Notebook的文件格式。每个文件可能对应一个独立的作业或项目，涵盖了不同的机器学习主题，如监督学习（包括线性回归、逻辑回归、决策树、随机森林、支持向量机等）、无监督学习（聚类、降维）、半监督学习以及强化学习等。 作业可能涉及以下知识点： 1. 数据预处理：清洗、标准化、编码和缺失值处理，这是机器学习流程中的重要步骤，确保模型在高质量的数据上训练。 2. 特征工程：通过创建新的特征或选择关键特征来改进模型性能。 3. 模型训练与验证：使用交叉验证、网格搜索等方法进行参数调优，以找到最优模型。 4. 模型评估：通过各种指标如准确率、精确率、召回率、F1分数、AUC-ROC曲线等评估模型性能。 5. 深度学习：可能包括神经网络的基础，卷积神经网络（CNN）用于图像识别，循环神经网络（RNN）处理序列数据，以及生成对抗网络（GAN）等。 6. 领域应用：如自然语言处理（NLP）、计算机视觉（CV）、推荐系统等。 通过这些作业，学生将有机会实践常见的机器学习算法，并了解如何在实际问题中应用。此外，Jupyter Notebook的使用也鼓励学生以一种可读性强、可复现的方式展示他们的工作，这对于科研和团队合作至关重要。 "CS-GY-6923 机器学习"的作业部分是一次全面的学习体验，旨在提升学生的编程技巧、理论知识和解决实际问题的能力。通过Jupyter Notebook，学生可以在一个交互式的环境中深入探索机器学习的世界，为未来的职业生涯打下坚实的基础。