因为LC写得太好了就借用一下格式
※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID）
（是／否／其他条件）：
是，须通知作者
哪一学年度修课：
102-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
于天立
δ 课程大概内容
分成三部分，每部分5周左右
期中考到[2]-(1)
[1] Search
(1) Uninformed/Informed Search
(2) Non-Classical Search
(3) Adversarial Search
[2] Learning
(1) Concept Learning
(2) Computational Learning Theory
(3) Decision Tree & Bayesian Network
(4) Reinforcement Learning
[3] Logic
(1) Propositional Logic
(2) First-Order Logic
(3) Planning (期末没考)
Ω 私心推荐指数(以五分计) ★★★★★
★★★★★
η 上课用书(影印讲义或是指定教科书)
投影片为主，内容主要从以下两本来：
1.Artificial Intelligence: A Modern Approach, 3/e,
by Russell and Norvig
2.Machine learning, by Mitchell
μ 上课方式(投影片、团体讨论、老师教学风格)
投影片上课，投影片比较精简，老师会讲满多的，上课上的满好的
σ 评分方式(给分甜吗？是扎实分？)
程式作业(Python)三次 25% = 8% + 9% + 8%
期中考 30%
期末考 20%
期末Project 25% = 5% (proposal)
+5% (presentation)
+15% (term paper)
期末总成绩全班加5分。
若在边缘，会视作业缴交情形拯救之
ρ 考题型式、作业方式
作业是写UC Berkeley著名的小精灵Project，内容是search与learning相关。
语言是Python。
考试方面，可带双面A4大抄(电脑打印可)，但考题非常灵活，所以没读熟
可能还是会满惨的，老师给分并不吝啬，有摸到边就会给一些，所已不要
吝于表达。
期末专题，2~3人一组，自订一个有关AI或ML的题目，
期末上台报告7.5分钟并交一篇报告，报告时间满紧迫的，
所以投影片不要做太多......
ω 其它(是否注重出席率？如果为外系选修，需先有什么基础较好吗？老师个性？
加签习惯？严禁迟到等…)
3类加选，不加签
Ψ 总结
虽为研究所的课但是大学来修并无妨，比较扎实便是，内容满有趣的但是
得花时间，老师上课上的不错也有教学热诚，对这一方面有兴趣的很推荐
来选这门课!