<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Kuan Chen on Medium]]></title>
        <description><![CDATA[Stories by Kuan Chen on Medium]]></description>
        <link>https://medium.com/@kuanchen-981?source=rss-91ca3b8b6494------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*TAnmYdlXy3ZhKykIZuTYyQ.jpeg</url>
            <title>Stories by Kuan Chen on Medium</title>
            <link>https://medium.com/@kuanchen-981?source=rss-91ca3b8b6494------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 11:46:35 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@kuanchen-981/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[哥倫比亞2020資工碩士 (MSCS)]]></title>
            <link>https://kuanchen-981.medium.com/%E5%93%A5%E5%80%AB%E6%AF%94%E4%BA%9E2020%E8%B3%87%E5%B7%A5%E7%A2%A9%E5%A3%AB-mscs-7c4dca334b74?source=rss-91ca3b8b6494------2</link>
            <guid isPermaLink="false">https://medium.com/p/7c4dca334b74</guid>
            <category><![CDATA[columbia-university]]></category>
            <category><![CDATA[new-york]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[christmas]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Kuan Chen]]></dc:creator>
            <pubDate>Sat, 26 Dec 2020 13:53:20 GMT</pubDate>
            <atom:updated>2020-12-26T16:06:17.152Z</atom:updated>
            <content:encoded><![CDATA[<p>因為疫情的關係，這一年半，大概快一半的時間在台灣，一半的心力在哈佛，剩下在哥大。算起來在哥大也沒太深度的接觸，在紐約的體驗也很少。不過還是有幾件有印象的事想紀錄下來，分別為:</p><ol><li>一堂印象深刻的課</li><li>平日的演講陣容們</li><li>聖誕燈飾</li></ol><h3>1.印象深刻的課: Randomnized Algorithm (By Prof. Tim Roughgarden)</h3><p>會想修這門課一開始是因為當年Coursera 2013年剛推出時，那個只有以Stanford老師為主的三四門課年代，我就在上面上過這老師的Algorithm覺得他教得不錯。今年看他剛來哥大，而且知道他應該是算世界上中生代Theoretical Computer Science (TCS) 幾位大師之一(他本人主攻Algorithmic Game Theory)，就帶著一點朝聖的一下的心態。同時，希望這一年半不要瘋狂蹺課拼命刷題只為了當時下最潮的軟體工程師，多少還是想開開眼界學點東西就挑戰下去了。</p><p>修課學生很少，第一次上課看到幾個法國學生穿著有”X”標誌的棉褲進來，我就覺得這學期智商可能要不夠用了。因為我以前在法國待過一陣子，還算熟悉法國理組的大學校訓練，知道在那種魔鬼訓練下能夠脫穎而出進入到Ｘ校(Ecole Polytechnique:法國最頂尖的理組大學校，與之並列的應屬Ecole Normal Superieure, Pairs (ENS))的數學實力是多強大。</p><p>這算是我第一次選偏TCS主題的課，第一次分組作業下來就感覺到這門課高手真的很多。特別有某幾組真的太強，討論區都是他們和助教在回覆，我忍不去去查了一下發下我竟然有幸跟普林斯頓大學數學系第一名一起修課，看了一下他的CV，大學就累積了兩年相關的研究經驗而且指導教授還是這門課參考考書的作者呢</p><p>這門課最硬的地方是3–2人一組的分組作業(60%)，很有挑戰性。助教說最高分不是100，是所有作業中寫得最好的當滿分，其他作業跟他比缺什麼就扣什麼。也就是說，即便這門課有很多高手，有時候作業難度會高到全班沒有組完全解對。所以每次助教時間幾乎都會爆滿，我們組幾乎每天輪流派人去找助教挖提示。這個作業有老師有一個規定是不允許用Google去找其他資料，只能用他給的 reference。一開始想說這什麼奇怪的規定，我看了什麼用自己的邏輯和方式寫出來也沒關係吧(而且後來跟其他組私下聊他們也都有查)。後來寫兩三次作業慢慢瞭解到老師的想法。為什麼不希望你去Google呢?</p><blockquote>因為你根本查不到！什麼都沒有！別浪費時間了</blockquote><p>除了一些相對簡單的題目你“可能”可以找到改一改就用的答案，其他你會看到的都是有一些類似的論文裡面某幾的定理長得有一點像作業，但就是不一樣。感覺得出老師是很認真整理各篇相關論文的一些證明改良簡化後出給學生，你真的想借助論文你必須搞懂那一篇(系列)論文在幹嘛，對一個沒有相關研究背景的人去搞懂一篇論文裡的證明細節，還真的不如去煩助教煩老師或參考老師給的Referene List找提示自己想(後來發現裡面真的有不少提示)</p><p>這門課在我第一學期，那學期有四門課，但我幾乎60%的時間花在這作業上(其他 40%其他三門課均分)。我們組分數基本上都低於平均，但是分數一路從7x緩慢進步到最後一次9x。真的很謝謝我的組員，我一個人修肯定會掛掉，到最後真的有一種跑完馬拉松，頭腦某個地方被短時間內被高強度訓練極限衝刺後抵達終點的成就感。</p><p>至於這門課的考試(佔40%)，其實是相對寬鬆很多的，我蠻喜歡老師的一個哲學</p><blockquote>考試不是拿來刁難你們的，只是確定你們掌握最基本的東西。考試有5題，我保證超過五成會一模一樣會從我發的每週10題練習出來，然後你們可以帶小抄。所以你們只要有寫考前答案抄一抄帶來，再把課堂幾個重點抄一抄。到時候你會發現大概就是3題一模一樣，1題有一點不一樣，1題再多一點變化。然後還會給一個加分題。基本上解法和觀念都不偏離我發的題庫和課堂筆記。</blockquote><p>事後證明真的只要好好把答案和課堂筆記抄下來就可以面對期中期末。(每週練習題設計就是以基礎簡單為方針，但裡有一些題難度也不低但不會像分組作業那麼具挑戰性)。我個人也比較喜歡這樣的方式，畢竟我覺得如果把考試比重調大題目難度調高，用短短的60分鐘就把學生一整個學期的學習成效定生死還無法翻身是蠻不客觀的。</p><p>最後我也滿喜歡這門課的規劃，不同於印象中有一些比較重數學的課的教學，從頭一堆定理一路證到學期末，除了知道這堂課在證明就沒了。這門課學期前半教一些基礎的工具，後半開始切入其他領域(e.g., Machine Learning, Streaming algorithm, Complexity theory, Graph Theory…etc)，老師會選一些題材來讓學生了解前半學期學的工具是怎麼被應用在各種研究或應用問題上的，並適時補充需要的工具。至少就我個人而言，我會馬上知道這些工具的價值並懂得欣賞，不至於說搜集了一堆工具放在不曉得做什麼用，不過也有人覺得這樣內容太發散，我想這部分就因個人喜好而異。</p><h3>2. 平常演講者的陣容</h3><p>雖然近幾年來美國資工碩士趨向功能性，但我覺得哥大資工水準還是有的，平常有演講只要是我有印象的名字，或題目看起來是我可以大致理解的我通常都會去聽(ㄘㄥˋ)講(ㄈㄢˋ)。這邊好像很常會有世界級的講者或一些新星(e.g., Jeff Dean, 圖靈獎得主Shafi Goldwasser, Yoon Kim, Henry Yuan…)，而且很跟得上時事。我記得去年twitter上有一篇複雜度的論文紅了，不少做TCS的人都有發表看法我剛好滑到，隔沒多久作者就來演講了。或是Google 量子提出量子霸權沒多久，就邀請到UCB一個做量子複雜度元老來聊聊這件事代表的意義，雖然除了Machine Learning相關的主題我可能可以大致掌握，其他我完全不懂。單純就是講者剛好在我的資訊網內，我覺得內容看好像蠻好玩的就去蹭飯，看看講者長什麼樣子，順便聽聽ML圈子外的人在做什麼。</p><h3>3. 聖誕節</h3><p>這大概是最近的事。生日附近想出去晃晃慶祝，又不想要到太多人的地方、又不想要太商業化。無意間發現了這個台灣旅遊好像比較少介紹的地方: <a href="https://www.dykerheightschristmaslights.com/shopping.php">Dyker Height Christmas Light</a></p><p>跟曼哈頓島上的比起來，個人比較喜歡這一種。因為一般商業化的佈置(e.g.,大聖誕樹、大型裝飾的廣場…etc)，可能在其他大城市像倫敦巴黎也看得到類似東西。缺點是這個地方在布魯克林很深的地方，從時代廣場搭地鐵單趟就要1-1.5h左右。</p><p>Dyker height這邊的點燈是由這個社區居民自己發起的，平常時間就是沒什麼人的住宅區。(有一點像加州的San Carlos)。但從感恩節後開始到新年初，這個社區的每一戶都會很華麗的裝飾自己的房子。這個傳統已經有30幾年。不多說直接上附上資訊和精美照片。</p><ul><li>交通資訊: 搭D線到79th St and New Utrecht Ave 再走大概15分鐘的路</li><li>點燈時間: 感恩節後到新年，每天日落後到大概10pm</li><li>範圍: 主要分佈在10–13 ave 和 83–86st. 共9個街區(還蠻大的，我走了快兩小時才逛完大部分的區域)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*M2-oneuaxzLr1btCbX5_mQ.png" /><figcaption>燃燒經費的房子1:Lucy Spata house。這是Dyker height Christmas light的起源</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0bayZKk-EME34Oj-kRGlbw.png" /><figcaption>燃燒經費的房子2</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Hd5i-fZOUZXl_iEwsGSD_w.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nDQfgw5wjPTbqmRqy6Z1hg.jpeg" /><figcaption>大庭院的房子</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tMNKySJ0I-OzdmlBImmAhA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aoXci679q-0sFpi2mjl03Q.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pZlREb7AROarPhC1-yQeBw.jpeg" /><figcaption>大庭院房子、企鵝與驚悚的聖誕老人</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dQ3h784WZKpGypeaYHdMLw.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YvtQE9bw5AJUMUoWc8ioAQ.jpeg" /><figcaption>大房子系列:雪人與馴鹿(雪是真的雪不是裝飾)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n9wHdQKXaMmt-hYZPA0mTg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*59H7q2vzqzMrd5DCimkwZA.jpeg" /><figcaption>大房子系列</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*g5SIMorKYR2g6UXrBEzwBA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GuWO7WhmX7TkWpn3clXTrg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4J2KQqnOqVntXLqGNhDWYA.jpeg" /><figcaption>小房子系列:沒大庭院也是佈置得很精緻</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aEQXlixi8JaNnZPnOSyxPg.png" /><figcaption>小房子系列:馴鹿與可憐的雪人</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AZAxSqy8RznIWLIFeJfaqw.png" /><figcaption>小房子系列:漂亮的光線與信箱</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HMA0gi8I4QniUlfZI1iQbQ.jpeg" /><figcaption>認真當取悅遊客的擺飾(左三)與放棄努力的組員(右一)</figcaption></figure><h3>總結</h3><p>因為疫情，不少時間待在台灣，少了很多機會體驗紐約這個城市的各種有趣的的東西多少覺得有一點可惜。不過也因此有機會和一些和一些很久不見的在台灣的朋友見面。希望將來有機會可以再到紐約短期待一陣子在更深度的體驗這個地方!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7c4dca334b74" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Course Note: Convex optimization (CMU Fall 2016,15 + Standford 2009)]]></title>
            <link>https://kuanchen-981.medium.com/course-note-convex-optimization-cmu-fall-2016-15-standford-2009-14c394f16db2?source=rss-91ca3b8b6494------2</link>
            <guid isPermaLink="false">https://medium.com/p/14c394f16db2</guid>
            <category><![CDATA[optimization]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[convex-optimization]]></category>
            <dc:creator><![CDATA[Kuan Chen]]></dc:creator>
            <pubDate>Fri, 22 Jun 2018 15:29:13 GMT</pubDate>
            <atom:updated>2018-06-22T15:38:30.984Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/540/1*rpHXhmjM2ml7xdnLo7xD4Q.jpeg" /><figcaption>Source: <a href="https://deepdrive.berkeley.edu/">deepdriive</a></figcaption></figure><h4>前言</h4><p>Optimization是在許多領域(控制、金融、機器學習…etc)底層的workhorse。這篇文章簡單整理Convex optimization的線上學習資源，會簡單介紹裡面的內容並作一些比較。最後附上一點個人的聽課心得和延伸資源供對這個領域有興趣的人鑽研。先聲明我不是這方面的專家，研究也沒碰過這塊，只是單純晃晃看看後整理的紀錄而已，若有錯誤或偏頗請多包涵。</p><h4>教材</h4><p><a href="http://www.stat.cmu.edu/~ryantibs/convexopt-F15/">CMU Convex Optimization 2015 Fall</a><br><a href="http://www.stat.cmu.edu/~ryantibs/convexopt/">CMU Convex Optimization 2016 Fall</a><br>Standford Convex Optimization I 2009 (Stephen Boyd) (<a href="https://www.youtube.com/playlist?list=PL3D9A62846A129C47">video</a>)(<a href="http://web.stanford.edu/~boyd/cvxbook/bv_cvxslides.pdf">slide</a>)</p><h4>授課教師</h4><p><strong>Ryan Tibshirani (R)</strong>: CMU Statistics &amp; Machine Learning Dept.的老師，大師Robert Tibshirani (LASSO) 的兒子。<br><strong>Javier Pena (J)</strong>: CMU Tepper School of Business 作業研究的老師<br><strong>Stephen P. Boyd (SB)</strong>: 聖經本教科書作者之一，在Standford開了一門很有名的Convex Optimization。</p><h4>內容</h4><p>以下主要是用CMU 2016 Fall的課程進度為主，不過我適情況從另外兩門課程擷取相關資源作輔助(後面括號表示我主要看的影片和投影片)。全部串起來大概會橫貫Optimization 過去70年的東西(1950-recent)。</p><p><strong>Theory I: Fundamentals (CMU 2016 R)<br></strong>Convexity I: Sets and functions<br>Convexity II: Optimization basics<br>Canonical problem forms</p><p><strong>Algorithms I: First-order methods (CMU 2016 R)<br></strong>Gradient descent<br>Subgradients<br>Subgradient method<br>Proximal gradient descent and acceleration<br>Proximal gradient descent and acceleration (cont’d)</p><p><strong>Theory II: Optimality and duality (CMU 2016 R &amp; SB)<br></strong>Duality in linear programs<br>Duality in general programs<br>KKT conditions<br>Duality uses and correspondences</p><p><strong>Algorithms II: Second-order methods (CMU 2016 J, replaced most by SB)<br></strong>Newton’s method (SB)<br>Barrier method (SB)<br>Duality revisited (SB)<br>Primal-dual interior point methods (SB)<br>Quasi-Newton methods (J)</p><h4>Speical Topics</h4><p>Proximal Newton method (R)<br>Dual methods (ADMM)(R)<br>Alternating direction method of multipliers (ADMM cont) (R)<br>Frank-Wolfe method (Conditional Gradient) (J)<br>Coordinate Descent (R)<br>Mixed integer programming, part I* (J)<br>Mixed integer programming, part II* (J)<br>Nonconvex? No problem! (R)<br>*2015 CMU 的課綱是 Fast Gradient Method (SAG, SAGA..) (R) ，個人推薦看這一個。</p><h4><strong>感想</strong></h4><p><strong>關於內容</strong>: <br>Stephen Boyd的課在基礎的部分琢磨比較多且深，步調比較慢。課程涵蓋的範圍大概到Primal-dual interior point methods就停了，也不會提到Subgradient。 但是因為基礎講得清楚深入，有一些部分我是覺得可以CMU和Stephen Boyd都看，像是Theory II的部分。雖說Stephen Boyd有另一門Convex Optimization II來涵蓋一些CMU的內容，但是該系列影片畫質很不好就不推薦了。</p><p>CMU的課比較廣，講的方法也多而且會提到一些比較近幾年的發展(Ex Frank-Wolfe, SAG, SAGA)， 另外CMU有一些2016的影片畫質不太好也可以找2015的來看。</p><p><strong>關於風格</strong>: <br>Stephen Boyd:我個人認為是講的最好的，條理清晰分明而且那種大師氣場很強XD (把三個老師的影片點開 觀察一下講課風格就知道了)。這個氣場來源我觀察到的是他在講每一句話都是強而有力的肯定句，對授課內容掌握度極高，而且回答學生問題都不會有遲疑。(而且這裡的學生其實是Standford其他學院來的教授不是一般學生)</p><p>Ryan Tibshirani: 他的條理和內容其實不比Stephen Boyd差，但整個氣場上就略遜一籌，有時候會答不出問題或是有一點鬼打牆。不過整體上來說內容還算是很清楚的。</p><p>Javier Pena:我個人覺得我跟不上他的邏輯，我很努力試過了XD。在Algorithm II的部分我放慢重複看了很久，我從他的語調和肢體感覺得到他有滿腔的教學熱情想跟學生分享知識，但我的頻率可能跟他對不到。最後實在不行直接棄坑求救Stephen Boyd。然後之後看到是他教的我就想辦法找Ryan或是Stephen Boyd的來補。這是為什麼我建議把Mix Integer Programming部分換掉的其中一個原因，另一個原因是Fast Gradient Method是在介紹一些近幾年跟Large Scale Machine Learning有關的Optimization方法。Mix Integer Programming感覺比較適合作業研究領域背景的人會用到。</p><p>總之，我覺得如果要用CMU 2016這個課程表的話，可以先試試看原本的，如果也遇到跟我一樣的問題可以參考這一版。</p><p><strong>延伸追蹤</strong><br>以下是我在找參考資料時搜到我覺得後續可以追蹤的，主要是近幾年一些研究ML optimization比較活躍的作者(一定有漏，期望有人補充了)。</p><p>Francis Bach (INRIA SIEERA)<br>Benjamin Recht (UC Berkeley)<br>Suvrit Sra (MIT LIDS)<br>Martin Jaggi (EPFL)<br>Simon Lacoste-Julien (MILA, previous INRIA SIERRA)<br>Leon Bottou (FAIR)<br>Zeyuan Allen-Zhu (MSR, previous MIT CSAIL)<br>Shai Shalev-Shwartz (Hebrew University of Jerusalem, MobileEye VP)<br>INRIA SIERRA*<br>*這是法國頂尖研究機構INRIA下的一個計畫，裡面很多人在做相關研究。</p><h4>最後Murmur</h4><p>其實當初看這一系列課程本身沒有什麼目的，就是打發時間。不過optimization的課真的挺燒腦的，一小時的課我大概需要花2.5–3倍(甚至更長，如果要找參考資料和肉搜人的話)的時間把投影片的內容搞懂9成(有一些例子或證明我到現在其實都不是很懂，像是SDP之類的)。作業部分也沒寫，大概看了一下都不是太容易。</p><p>一個多月的下來燒腦後的結果，就是我再次打開NIPS或ICML的optimization tutorial時候，我竟然有慢慢看得懂這個領域的人在做什麼了以及最新的進展了，像是發現新大陸(但應該不會靠岸XD)。儘管有些內容還是超越知識範圍很多(像是ICML2017的)，但這一個多月下來累積的背景讓我有一點能力去看相關論文來補足。</p><p>比較可惜的是這一系列教學比較少討論到Adam/momentum這一系類optimization方法的一些理論進展。不過我覺得夠了，其他的有緣再說吧。如果問我下一個Optimization的課想聽什麼，大概是Distributed系列吧，感覺實用性很高。先來推個坑:</p><p><a href="https://medium.com/@Petuum/intro-to-distributed-deep-learning-systems-a2e45c6b8e7">Intro to Distributed Deep Learning Systems (Pentuum)</a></p><h4><strong>相關參考資料</strong></h4><p>以下是課程的參考資料或著是我挖到覺得不錯的寶</p><p><strong>聖經本</strong><br><a href="http://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf">Convex Optimization</a> (Stephen Boyd &amp; Lieven Vandenberghe 2004)</p><p><strong>蠻常被Reference到的書</strong><br><a href="https://arxiv.org/pdf/1405.4980.pdf">Convex Optimization: Algorithms and Complexity</a> (Sebastien Bubeck, 2015)<br><a href="http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.693.855&amp;rep=rep1&amp;type=pdf">Introductory Lectures on Convex Programming Volume I: Basic course </a>(Yuri Nestrov, 1998):就是那個Nestrov momentum的Nestrov!<br><a href="http://www.athenasc.com/nonlinbook.html">Nonlinear Programming</a> (Bertsekas, 2016):無電子檔，只有Lecture Slide</p><p><strong>寶</strong><br><a href="https://arxiv.org/pdf/1606.04838v1.pdf">Optimization Methods for Large-Scale Machine Learning</a> (Léon Bottou, Frank E. Curtis, Jorge Nocedal 2016)<br>這大概是目前Large-Scale Machine Learning中關於當前主流算法(Stochastic Gradient)最完整的Survey了。</p><p><a href="https://web.stanford.edu/~boyd/papers/pdf/admm_distr_stats.pdf">Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers</a> (Stephen Boyd, Neal Parikh, Eric Chu Borja Peleato and Jonathan Eckstein, 2011)<br>非常詳盡介紹ADMM這個分散式優化算法的細節和實作</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=14c394f16db2" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>