Если под interface понимать не исключительно ГУИ, то по большому счету это одно и то же. Interaction — действие, interface — способ осуществления этого действия. Судя по описанию курса, он все же больше именно об интерфейсах.
Скажу также, что помимо бумажки преподаватель курса ИИ Себастьян Тран прислал мне (равно как и другим студентам из TOP-1000) предложение отправить ему резюме, а он перешлет их в фирмы, в которых у него связи.
Я под обоснованием отнюдь не имел ввиду строгие доказательства, хотя бы немного пояснений. Скажем, метод градиентного спуска мне понятен — в универе проходили, а вот kernel machines как применять я понял, но почему это будет работать — хоть в общих чертах можно было и рассказать. Пусть и в качестве бонусных необязательных лекций.
А то, что методика преподавания на порядок лучше, чем академический подход в иных вузах — это без сомнения. После этих курсов я еще больше стал уверен в том, что лозунг «вуз учить учиться» — это чушь, придуманная в вузах, где все программы (и знания преподавателей) уже давно устарели.
Зависит от инфраструктуры. Лекции по ML и DB можно было скачать и смотреть в любое время, например на мобильных устройствах. В среднем это было 4-8 коротких лекций на юнит, где-то суммарно на час-полтора (каждая лекция может быть 6-30 минут). Лекции по ИИ выкладывались на ютуб, скачать можно было, но не с сайта, а уже с самого ютуба. Их как было больше, 15-30 в юните, но они короче, в среднем 5 минут не превышали, в юните много квизов (они вообще не больше минуты). Так что суммарно тоже порядка часа.
Задания бывают разные. Квизы отвечаются быстро. Упражнения делать дольше приходится, зависит от навыков. Мне хватало двух вечеров по 2-3 часа на базы данных и machine learning, а ИИ растягивалось на всю неделю, понемногу смотрел, ближе к концу недели делал домашние, это тоже меньше получаса.
Ну, скажем, меня тоже несколько раздражали его постоянные замечания вроде «если вы не знаете, что такое градиент (матрица ковариации и др.), ничего страшного, вам это не нужно, главное делайте точь в точь как в формулах», куски лекции, убитые на объяснения тривиальных и интуитивно очевидных вещей, в то же время опускаемые подробности относительно обоснования методов. Однако, согласен с тем, что это хороший курс с точки зрения практических знаний. Мне жутко понравилось писать все эти задания на матлабе. Хотя курс баз данных в отношении практических заданий, пожалуй, не уступил — тоже много упражнений в которых нужно было составлять запросы к базам, к XML и проч.
Очень жаль, что нет free-версии книги. Понятное дело, что всегда можно на торрентах нарыть, но намного приятней, когда автор сам предлагает скачать со своего сайта все что нужно.
Многие полиномиальные алгоритмы удается еще больше ускорить. Примером являются, например, алгоритмы умножения матриц, где из кубической сложности можно добиться сложности n^{2+e} для сколь угодно малого е. Понятное дело, что это можно сделать не всегда и что порядок 99,01 не намного лучше порядка 100. Однако, никто не заставляет слепо использовать полиномиальные алгоритмы. Существенным это становится только при возрастании размера задачи, особенно на фоне роста вычислительных мощностей.
1. Я бы скорее сказал, что не для конкретного Гаусса, а для конкретной задачи. Скажем, та же самая задача — найти сумму чисел от 1 до N. Для N = 100 она оказалась простой. Экземпляр этой задачи при N=100! уже не будет таким простым.
А то, что методика преподавания на порядок лучше, чем академический подход в иных вузах — это без сомнения. После этих курсов я еще больше стал уверен в том, что лозунг «вуз учить учиться» — это чушь, придуманная в вузах, где все программы (и знания преподавателей) уже давно устарели.
Задания бывают разные. Квизы отвечаются быстро. Упражнения делать дольше приходится, зависит от навыков. Мне хватало двух вечеров по 2-3 часа на базы данных и machine learning, а ИИ растягивалось на всю неделю, понемногу смотрел, ближе к концу недели делал домашние, это тоже меньше получаса.
А в целом достаточно занятная статья.