机器学习 2022春季课程——台湾大学

本仓库包含由李宏毅教授主讲的机器学习课程的15份作业代码及课件。有关本课程的所有信息均可在课程官网上找到。

15份作业

• HW1：回归 [视频] [代码] [课件]
• HW2：分类 [视频] [代码] [课件]
• HW3：卷积神经网络 [视频] [代码] [课件]
• HW4：自注意力机制 [视频] [代码] [课件]
• HW5：Transformer [代码] [课件]
• HW6：生成对抗网络 [代码] [课件]
• HW7：BERT [代码] [课件]
• HW8：自编码器 [代码] [课件]
• HW9：可解释性人工智能 [代码] [课件]
• HW10：对抗攻击 [代码] [课件]
• HW11：领域适应 [代码] [课件]
• HW12：强化学习 [代码] [课件]
• HW13：网络压缩 [代码] [课件]
• HW14：终身学习 [代码] [课件]
• HW15：元学习 [代码] [课件]

讲座视频

讲座视频可在李宏毅教授的Youtube频道上观看。

ML2022-Spring 快速上手指南

本仓库收录了由台湾大学李宏毅教授讲授的《机器学习 2022 春季》课程的 15 个作业代码与幻灯片。涵盖回归、分类、CNN、Transformer、GAN、BERT 等核心主题。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (推荐 WSL2)
• Python 版本：Python 3.7+
• 核心依赖：
  • PyTorch (深度学习框架)
  • Jupyter Notebook / Jupyter Lab (用于运行 .ipynb 文件)
  • NumPy, Pandas, Matplotlib (数据处理与可视化)
  • Transformers (Hugging Face 库，用于 BERT 等任务)

国内加速建议：

• PyPI 源：建议使用清华源或阿里源加速 Python 包安装。
• 模型下载：部分作业需下载预训练模型，若 Hugging Face 访问缓慢，可配置 HF_ENDPOINT 环境变量使用镜像站。

安装步骤

1. 克隆项目

首先将仓库克隆到本地：

git clone https://github.com/virginiakm1988/ML2022-Spring.git
cd ML2022-Spring

2. 创建虚拟环境（推荐）

为避免依赖冲突，建议创建独立的 Conda 或 venv 环境：

# 使用 Conda
conda create -n ml2022 python=3.8
conda activate ml2022

# 或使用 venv
python -m venv ml2022_env
source ml2022_env/bin/activate  # Windows: ml2022_env\Scripts\activate

3. 安装依赖

由于不同作业可能依赖略有不同，建议先安装通用基础包。若特定作业目录下有 requirements.txt，请优先安装该文件。

通用基础安装命令：

# 配置清华源加速
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装核心依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install jupyterlab numpy pandas matplotlib scikit-learn
pip install transformers datasets accelerate

注意：HW07 (BERT) 及后续涉及大模型的作业强烈依赖 transformers 库。如果遇到网络问题下载模型失败，请在运行代码前设置镜像环境变量：

export HF_ENDPOINT=https://hf-mirror.com

基本使用

本课程以 Jupyter Notebook 形式提供作业代码。以下以 HW01 (Regression) 为例演示如何运行。

1. 启动 Jupyter Lab

在项目根目录下启动服务：

jupyter lab

2. 打开作业文件

在浏览器弹出的界面中，导航至对应作业文件夹（例如 HW01），点击打开 HW01.ipynb。

3. 运行代码

• 按照 Notebook 中的单元格顺序依次执行（按 Shift + Enter）。
• 代码通常包含数据加载、模型定义、训练循环和结果可视化。
• 示例代码片段（源自 HW01 逻辑）：

# 典型的训练循环结构示例
import torch
import torch.nn as nn

# 假设 model, loss_fn, optimizer 已定义
for epoch in range(num_epochs):
    y_pred = model(x_data)
    loss = loss_fn(y_pred, y_data)
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if epoch % 100 == 0:
        print(f'Epoch {epoch}, Loss: {loss.item()}')

4. 查看其他资源

• 视频讲解：每个作业标题旁均附有 YouTube 视频链接，建议配合代码阅读。
• 幻灯片：每个作业文件夹内包含 .pdf 文件，详细解释了算法原理和作业要求。

您可以按照相同方式探索 HW02 至 HW15，逐步深入卷积神经网络、注意力机制、生成对抗网络等进阶内容。