¿Cuál debería ser el contenido del curso ‘Introducción al aprendizaje automático’ para estudiantes de 6to semestre de CS sin conocimiento previo de ciencias de datos?

Cuál debería ser la secuencia de los temas.

• Estadísticas básicas / álgebra lineal para ML (funciones convexas y no convexas y optimización, análisis de hipótesis, etc.)
• Conceptos básicos de modelos supervisados ​​- no supervisados
• Conceptos básicos de clasificación – Modelos de regresión
• Diferentes tipos de funciones de pérdida / costo (pérdida cuadrada, pérdida SVM, pérdida de registro, etc.)
• Diferentes tipos de matriz / métodos de evaluación (precisión, recuperación, puntaje F2, AUC, etc.)
• Diferentes métodos de optimización (SGD, Batch GD, etc.)
• Métodos de regularización (p. Ej., L1-L2, Tikahov-Evanov)
• Conceptos básicos de los modelos ML (Regresión logística, SVM, árboles de decisión, etc.)
• ¿Cómo seleccionar y ajustar los modelos ML basados ​​en los datos que tiene?
• Cómo mejorar los modelos ML (selección de características / ingeniería, conjunto, técnicas de refuerzo, por ejemplo, Adaboost)

¿Cuál debería ser el equilibrio entre la teoría y los ejemplos prácticos en clase?

• Haga que sus tareas sean una buena combinación de teoría y problemas del mundo real. Como ejemplo, en la tarea, puede pedirles a los estudiantes que expliquen las formas de superar el sobreajuste / regularización L2 y, al mismo tiempo, debe pedirles que construyan los modelos de regresión en cualquier conjunto de datos de muestra y lo mejoren con esos métodos.
• Consulte las asignaciones de cursos de NYU Data Science ML para tener la idea de aprendizaje automático y estadísticas computacionales

Creo que deberías echar un vistazo en el curso de Machine Learning del curso (de Andrew Ng) en Machine Learning – Stanford University | Coursera

La mayor parte de los cursos siguen ese orden (en realidad es común ver redes neuronales al final, pero a la mitad del curso también está bien y estima a los estudiantes porque es un tema muy candente hoy).

También me gustaría sugerirle que eche un vistazo al libro Introducción al aprendizaje estadístico con R (ISLR: Introducción al aprendizaje estadístico), que es una referencia increíble. Para el sexto semestre de CS, creo que ya tienen algunos conocimientos sobre cálculo, álgebra lineal, estadísticas y conceptos básicos de probabilidad. Esto debería ser un requisito previo.

Sobre el equilibrio de la teoría y la práctica: eso depende. Para un curso de ingeniería, creo que deberías concentrarte más en las tareas prácticas (por ejemplo, dar un problema de regresión y pedirles que encuentren una buena solución. Y recompensar lo mejor [Por diversión, no para promover una guerra] como una competencia de kaggle En realidad, podrías usar las competencias pasadas de Kaggle para esto).

Estoy seguro de que alguien le dará una respuesta más completa, pero como estudiante de pregrado, ese es el tipo de curso que realmente me gustaría tomar.