※ 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
哪一学年度修课：
105-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
李宏毅
δ 课程大概内容
Gradient Descent
Linear Regression(HW1)
Logistic Regression(HW2)
Backpropogation
NN,CNN(HW3)
Semi-supervised Learning(HW3)
Unsupervised Learning(HW4)
Transfer Learning
Structure Learning
Deep Reinforcement Learning
Ω 私心推荐指数(以五分计) ★★★★★
★★★★+0.5
η 上课用书(影印讲义或是指定教科书)
老师投影片＋参考资料
μ 上课方式(投影片、团体讨论、老师教学风格)
用投影片上课，有几次是请人来演讲。
个人认为老师讲解的很清晰，也会拿一些语音上或是影像上的举例，但
个
σ 评分方式(给分甜吗？是扎实分？)
作业 40% (一共四份，都是用Kaggle竞赛的方式做排名，作业有时候会
有
final project 60% (一样有一些Bonus)
最后学期总成绩应该是会最高分超过100，听说最后分数还有做微调，
调?
个人觉得扎实偏甜
ρ 考题型式、作业方式
四个作业分别实作Linear Regression, Logistic Regression, CNN, U
ns
像我写程式比较弱的就花满多时间的，前面两份作业都是要自己手写不
能
后面两份作业是可以用套件的，本人就用了Keras和sklearn，基本上丢
进
每份作业都会写一份报告，报告的问题助教都会规定，基本上照着做，
该
最后final project就是有三个Kaggle上的题目，可以三个都同时做，
最?
像我这组三个人，除了我以外两个都是大腿，其中一人就让我们第一题
直
但final project是真的需要花点时间的
期末最后一堂课老师会请三个题目的前5%组别上台Demo，就看得出来有
些
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…)
今年加签是大家先回去写HW0，满基础的就是看会不会用Python，两题
一?
但最后人真的太多了，老师好像只签电资学院的人，还是有将近240名
学?
Ψ 总结
这门课不失为一门好课，可以对机器学习有了解，也可以大略知道在不
同
作业方面也很注重实作，会真的写个程式，然后花不少时间去跑去做实
验
助教的话每个都很厉害也很负责，毕竟改作业要重跑大家的code，有时
候
但比较可惜的一样就是数学的部分，会比较没有深入的下去讲，但还是
会
相较于隔壁林轩田老师的机器学习，这边应该比较重实作，另一边可能
比
个人认为都可以根据自己的需求，选自己想修的那种机器学习这样。