迷麟の小站

SDSC5003 - Assignment1 #assignment #sdsc5003 Part I. ER Modelling Part II: Creating Relational Schemas in SQL for Part I SQL scripts 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273-- Create customer tableCREATE TABLE Customer ( cid TEXT PRIMARY KEY NOT NULL, cname TEXT NOT NULL);-- Create company customer tableCREATE TABLE Company ( cid TEXT PRIMARY KEY NOT NULL, street TEXT NOT NULL, ci...

#assignment #sdsc5002

SDSC5001 - Assignment 1 #assignment #sdsc5001 1. For each of parts(a) through(d), indicate whether we would generally expect the performance of a flexible statistical learning method to be better or worse than an inflexible method. Justify your answer. (a) The sample size n is extremely large, and the number of predictors p is small. Better. With a large amount of data, complex models (flexible methods) have a lower risk of overfitting and can better learn the underlying patterns. (b) The nu...

#assignment #sdsc5001

#sdsc6007 #course information English / 中文 Course Overview Course Code: SDSC6007 & SDSC8006 Course Name: Dynamic Programming and Reinforcement Learning Semester: First Semester, 2025 Academic Year Instructor: Clint Chin Pang Ho Email: client.ho@cityu.edu.hk Office: LAU-16-228 Consultation Hours: By appointment Teaching Assistants (TAs): Yanbo He (yanbohe3-c@my.cityu.edu.hk) Ellen Yi Wong (ywong692-c@my.cityu.edu.hk) Yuqi Zha (charlie.yqzha@my.cityu.edu.hk) Assessment Component ...

#SDSC6007 #course information English / 中文 课程概览 课程代码: SDSC6007 & SDSC8006 课程名称: 动态规划与强化学习 学期: 2025学年第一学期 授课教师: Clint Chin Pang Ho 邮箱: client.ho@cityu.edu.hk 办公室: LAU-16-228 答疑时间: 需预约 助教 (TAs): Yanbo He (yanbohe3-c@my.cityu.edu.hk) Ellen Yi Wong (ywong692-c@my.cityu.edu.hk) Yuqi Zha (charlie.yqzha@my.cityu.edu.hk) 考核方式 组成部分 权重 详情 作业 20% 两次作业（每次10%）。通过Canvas在线提交，格式为.pdf、.py、.mp4、.txt。 期中考试 20% 闭卷考试。 小组项目 30% 一个小组项目。详情见下文。 期末考试 30% 闭卷考试。 逾期提交政策: 若逾期 ( ttt ) 天 (( t&g...

#sdsc5003 #course information English / 中文 课程概览 课程代码: SDSC5003 课程名称: 数据库系统导论 学期: 2025/26 学年第一学期 授课教师: Yu Yang (yuyang@cityu.edu.hk) Terence Chan (terenceChan@cityu.edu.hk) 教学模式: 面授 答疑时间: 待定 (TBA) 助教: 未指定 考核方式 考核组成部分 权重 说明 个人作业 30% 独立完成的作业任务 期末考试 50% 考试时间为12月8日至20日 小组项目 20% 3-5人一组，分为Track 1（应用开发）或Track 2（论文复现） ↳ 源代码 30%* 项目代码、数据库 schema、测试脚本等（提交至GitHub） ↳ 视频演示 20%* 5-8分钟视频演示应用功能或论文复现过程 ↳ 书面报告 50%* PDF报告，包含小组信息、技术设计、评估结果等 时间安排与教学 周数 日期 (示例) 活动 内容 截止日期 1 2025-09-...

#sdsc5002 #course information English / 中文 Course Overview Course Code: SDSC5002C61 Course Name: Exploratory Data Analysis and Visualization Semester: First Semester, 2025/26 Academic Year Instructor: Professor Wang Lijia Email: lijiwang@cityu.edu.hk Office: Room 16-272, Lau Pak Here Building Lecture Time: To be specified (please check Canvas for updates) Office Hours: To be specified Teaching Mode: Face-to-face Teaching Assistants: Li Minghe (mingheli2-c@my.cityu.edu.hk) responsible for T...

#SDSC5002 #course information English / 中文 课程概览 课程代码: SDSC5002C61 课程名称: 探索性数据分析与可视化 学期: 2025/26 学年第一学期 授课教师: 王立佳教授 邮箱: lijiwang@cityu.edu.hk 办公室: 刘璧如楼 16-272 室 授课时间: 未指定（请查看Canvas更新） 答疑时间: 未指定 教学模式: 面授 助教: 李明和 (mingheli2-c@my.cityu.edu.hk) 负责 Tableau 尹彦新 (wl.z@cityu.edu.hk) 负责 Python 考核方式 考核项目 描述 权重或分数 小组项目 需4-8人组队，在周11-13进行演示，评估团队合作和数据分析能力。 40% 个人课程作业 基于作业表现评分，注重个人实践技能。 25% 测验 按时提交得2分，延迟提交得1分，考核及时参与和理解。 点数制（贡献总体评分） 作业 基于性能评分，满分10分，评估具体任务完成质量。 10点 中期考试 在周10举行，无期末考试，测试理论知识...

#sdsc5001 #course information English / 中文 SDSC5001Course Overview Course Code: SDSC5001 Course Name: Statistical Machine Learning I Semester: First Semester, 2025/26 Academic Year Instructor: Professor Xingyu Guo Email: xingyguo@cityu.edu.hk Office: Room 4462, Mong Man Wai Building Lecture Time: Saturday 9:00 – 11:50 Consultation Hours: Monday 16:00 – 17:00 Teaching Mode: Face-to-face Teaching Assistants: Lin Jiajun (jiajunlin4-c@my.cityu.edu.hk) Li Xiaopeng (Lee.Xiao-Peng@my.city...

#sdsc5001 #course information English / 中文 课程概览 课程代码: SDSC5001 课程名称: 统计机器学习 I 学期: 2025/26 学年第一学期 授课教师: 郭兴宇教授 邮箱: xingyguo@cityu.edu.hk 办公室: 蒙民伟楼 4462 室 授课时间: 周六 9:00 – 11:50 答疑时间: 周一 16:00 – 17:00 教学模式: 面授 助教: 林家俊 (jiajunlin4-c@my.cityu.edu.hk) 李晓鹏 (Lee.Xiao-Peng@my.cityu.edu.hk) 考核方式 组成部分 权重 详情 作业 20% 3次作业==（不计分但必须提交）==。逾期提交将扣分。 期中考试 10% 第8周（10月25日）。闭卷；允许携带1张A4笔记。 项目 20% 小组作业（4-5人）。详见上文。 期末考试 50% 覆盖全部内容。闭卷；允许携带1张A4笔记。 时间安排与教学 周数 日期 活动 内容 截止日期 1 9月6日 讲座 课程概...

#sdsc6015 English / 中文 回顾 点击展开 凸优化问题 凸优化问题的一般形式为： min⁡x∈Rdf(x)\min_{x \in \mathbb{R}^d} f(x) x∈Rdmin​f(x) 其中 fff 是凸函数，Rd\mathbb{R}^dRd 是凸集，x∗x^*x∗ 是其最小化点： x∗=arg⁡min⁡x∈Rdf(x)x^* = \arg\min_{x \in \mathbb{R}^d} f(x) x∗=argx∈Rdmin​f(x) 梯度下降（Gradient Descent, GD）的更新规则为： xk+1=xk−ηk+1∇f(xk)x_{k+1} = x_k - \eta_{k+1} \nabla f(x_k) xk+1​=xk​−ηk+1​∇f(xk​) xkx_kxk​：当前参数点 ηk>0\eta_k > 0ηk​>0：步长（学习率） xk+1x_{k+1}xk+1​：更新后的参数点 平滑函数（Smooth Functions） 定义： 若函数 f:dom(f)→Rf: \text{dom}(f) \to...

#sdsc6007 English / 中文 Shortest Path Problems (SPP) Problem Definition Given node set {1,2,…,N,t}\{1,2,\dots,N,t\}{1,2,…,N,t} (ttt=destination), aija_{ij}aij​: Cost from node iii to jjj (aij=∞a_{ij} = \inftyaij​=∞ if no direct path) Key assumption: All cycles have non-negative cost (∀ cycles i→j1→⋯→jk→i, total cost≥0\forall \text{ cycles } i \to j_1 \to \cdots \to j_k \to i,\ \text{total cost} \geq 0∀ cycles i→j1​→⋯→jk​→i, total cost≥0) Goal: Find min-cost path from any iii to ttt Sig...

#sdsc6015 #course information English / 中文 Course Overview Course Code: SDSC6015 Course Name: Stochastic Optimization for Machine Learning Semester: 2025-26, Semester A Instructor: Dr. Lu Yu Email: lu.yu@cityu.edu.hk Office: LAU 16-279 Lecture Time: Thursday 19:00 – 21:50 Lecture Location: CMC Building, M3017 Office Hours: To Be Announced (TBA) Teaching Assistants: Xinnian Yang (xinniyang2-c@my.cityu.edu.hk) Zhiyou Wu (zhiyouwu2-c@my.cityu.edu.hk) Assessment Scheme Component We...

#作业清单 5001 暂无 5002 HW-1 (03/10/2025 23:30) Project Proposal (29/10/2025 23:30) 5003 Assignment 1 (03/10/2025 24:00) 注意：大学关于学术不端和抄袭（作弊）的政策在本课程中将受到高度重视。所有提交内容必须是您自己的写作或代码。您不得让其他学生复制您的作品。讨论作业是可以的，例如理解相关概念。本作业为个人作业。请将您的作品打包为一个名为 A1-XXXX-YYYY.zip 的压缩文件上传，其中 XXXX 是您的姓名，YYYY 是您的学号。请确保压缩文件中包含所有文件。 第一部分：ER建模（50分） 提交由绘图程序绘制的图表（可使用任何您喜欢的程序，例如来自 实体关系模型工具 的 ER 绘图工具），不接受手绘图。如果您对某些设计选择不确定，可以添加解释说明。将您的图表和可选解释上传到一个名为 pdf 的 PDF 文件中。 绘制一个单一的 ER 图来表示以下规格说明： 一家银行企业需要存储客户（由 cid 标识，属性包括 cname）和账户（由 ai...

#sdsc6015 English / 中文 Review Click to expand Convex Optimization Problems The general form of a convex optimization problem is: min⁡x∈Rdf(x)\min_{x \in \mathbb{R}^d} f(x) x∈Rdmin​f(x) where fff is a convex function, Rd\mathbb{R}^dRd is a convex set, and x∗x^*x∗ is its minimizer: x∗=arg⁡min⁡x∈Rdf(x)x^* = \arg\min_{x \in \mathbb{R}^d} f(x) x∗=argx∈Rdmin​f(x) The update rule for Gradient Descent (GD) is: xk+1=xk−ηk+1∇f(xk)x_{k+1} = x_k - \eta_{k+1} \nabla f(x_k) xk+1​=xk​−ηk+1​∇f(xk​) xkx_kx...

#sdsc6012 English / 中文 时间序列基础理论 时间序列定义与性质 时间序列是按时间顺序排列的随机变量序列，记为 {Xt:t∈T}\{X_t: t \in T\}{Xt​:t∈T}，其中 TTT 为时间索引集。在实际应用中，TTT 通常为离散集合（如 T={0,1,2,…}T = \{0, 1, 2, \ldots\}T={0,1,2,…}）。 核心概念：时间序列分析旨在揭示序列内部的动态依赖关系，并基于历史数据建立预测模型。 示例数据表 1234567891011121314import pandas as pddata = { 'Date': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05', '2023-01-06', '2023-01-07', '2023...

#sdsc6015 English / 中文 回顾 - 凸函数与凸优化 点击展开 凸函数定义 回顾 函数 f:Rd→Rf: \mathbb{R}^d \to \mathbb{R}f:Rd→R 是凸函数当且仅当： 定义域 dom(f)\text{dom}(f)dom(f) 是凸集； 对所有 x,y∈dom(f)\mathbf{x}, \mathbf{y} \in \text{dom}(f)x,y∈dom(f) 和 λ∈[0,1]\lambda \in [0,1]λ∈[0,1]，满足： f(λx+(1−λ)y)≤λf(x)+(1−λ)f(y)f(\lambda \mathbf{x} + (1-\lambda)\mathbf{y}) \leq \lambda f(\mathbf{x}) + (1-\lambda)f(\mathbf{y}) f(λx+(1−λ)y)≤λf(x)+(1−λ)f(y) 几何意义：函数图像上任意两点间的线段位于图像上方。 一阶凸性判定 回顾 若 fff 可微，则凸性等价于： f(y)≥f(x)+∇f(x)⊤(y−x),∀x...

#sdsc6015 English / Chinese Review - Convex Functions and Convex Optimization Review Definition of Convex Functions Review A function f:Rd→Rf: \mathbb{R}^d \to \mathbb{R}f:Rd→R is convex if and only if: Its domain dom(f)\text{dom}(f)dom(f) is a convex set; For all x,y∈dom(f)\mathbf{x}, \mathbf{y} \in \text{dom}(f)x,y∈dom(f) and λ∈[0,1]\lambda \in [0,1]λ∈[0,1], it satisfies: f(λx+(1−λ)y)≤λf(x)+(1−λ)f(y)f(\lambda \mathbf{x} + (1-\lambda)\mathbf{y}) \leq \lambda f(\mathbf{x}) + (1-\lam...

.timetable-container * { box-sizing: border-box; margin: 0; padding: 0; } .timetable-container { font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; line-height: 1.6; color: #333; max-width: 100%; overflow-x: auto; } .timetable-controls { display: flex; justify-content: center; margin-bottom: 20px; ...

#sdsc5001 English / 中文 Comparison of Terminology Between Statistics and Machine Learning Statistics Machine Learning Classification/RegressionClusteringClassification/Regression with missing responses(Nonlinear) Dimensionality Reduction Supervised LearningUnsupervised LearningSemi-supervised LearningManifold Learning Covariates/Response VariablesSample/PopulationStatistical ModelMisclassification/Prediction Error Features/OutcomeTraining Set/Test SetLearnerGeneralization Error Mul...

#sdsc5001 English / 中文 统计学与机器学习的术语对比 统计学 机器学习 分类/回归聚类含缺失响应的分类/回归(非线性)降维 监督学习无监督学习半监督学习流形学习 协变量/响应变量样本/总体统计模型误分类/预测误差 特征/结果训练集/测试集学习器泛化误差 多类逻辑函数截断线性函数 Softmax函数ReLU(线性整流单元) 关键说明：两个领域使用不同术语描述相似概念，但核心思想相通。例如统计学的"协变量"对应机器学习的"特征"。 实际应用案例 工资预测案例 任务：理解员工工资与多个因素之间的关联关系 数据来源：基于美国大西洋地区男性员工收集的数据集 垃圾邮件检测案例 任务：构建能够自动检测垃圾邮件的过滤器 数据表示： 观测值 make% address% … 总大写字母数 是否为垃圾邮件 1 0 0.64 … 278 1(是) 2 0.21 0.28 … 1028 1(是) 3 0 0 … 7 0(否) … … … … … … 4600 0.3 0 … 7...

#sdsc5001 English / 中文 Data Definition Data is a collection of data objects and their attributes. Data objects are also called records, points, samples, entities, or instances. Attributes are properties or characteristics of objects, such as age, height, weight, education level, etc. Attributes are also called variables, fields, features. For example, a dataset about people might include attributes like ‘age’, ‘height’, etc. Data Types 1. Continuous Variable e.g., length, time, c...

#sdsc5001 English / 中文 数据定义 数据是 数据对象（data objects） 及其 属性（attributes） 的集合。 数据对象也称为记录、点、样本、实体或实例。 属性是对象的性质或特征，例如年龄、身高、体重、教育程度等。 属性也称为变量、字段、特征。 例如，一个关于人的数据集可能包含“年龄”、“身高”等属性。 数据类型 1. 连续变量（Continuous Variable） 例如：长度、时间、计数、重量、高度。 取值是连续的数值。 2. 名义变量 / 分类变量（Nominal / Categorical Variable） 例如：种族、性别、婚姻状况、眼睛颜色。 取值是离散的类别，没有顺序关系。 3. 序数变量（Ordinal Variable） 例如：年龄组（儿童、青年、成人、老年）、字母等级、满意度评分（不喜欢、中立、喜欢）。 取值有顺序，但没有明确的数值间隔。 4. 区间变量（Interval Variable） 例如：温度、工资范围。 取值是数值，且有明确的间隔意义。 ...

#sdsc5001 English / 中文 Population and Sample Population: Refers to the entire set of individuals from which we attempt to draw conclusions. Sample: Refers to a subset observed from the population. Relationship: Samples are used to infer characteristics of the population; the core of statistics and machine learning is to estimate or predict population parameters based on sample data. For example, in a coin toss experiment, the population is all possible coin toss outcomes, while the s...