※ 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：
105-2
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 + (林宗男???)
λ 开课系所与授课对象 (是否为必修或通识课 / 内容是否与某些背景相关)
电机系
δ 课程大概内容
课程网页 : http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
Introduction of this course: pdf,pptx (2017/02/23)
HW0: link, video (2017/02/23)
Regression: pdf,pptx,video (2017/03/02)
Where does the error come from?: pdf,pptx,video (2017/03/02, recorded at 2016/10/07)
Gradient Descent: pdf,pptx,video (2017/03/09, recorded at 2016/10/07)
HW1 - PM2.5 Prediction: link (2017/03/02)
Classification: Probabilistic Generative Model pdf, pptx, video (2017/03/16, recorded at 2016/10/07)
Classification: Logistic Regression pdf, pptx, video (2017/03/23, part of the video recorded at 2016/10/14)
HW2 - Income Prediction: link (2017/03/23)
Introduction of Deep Learning pdf, pptx, video (2017/03/23, recorded at 2016/10/14)
Backpropagation pdf, pptx, video (2017/03/23)
“Hello world” of Deep Learning pdf, pptx, video (2017/03/23)
Tips for Deep Learning pdf, pptx, video (2017/03/30)
Convolutional Neural Network pdf, pptx, video (2017/04/06)
HW3 - Image Sentiment Classification: link (2017/04/06)
Why Deep? pdf, pptx, video (2017/04/06, recorded at 2016/11/04)
Semi-supervised Learning pdf, pptx, video (2017/04/13, recorded at 2016/11/11)
Unsupervised Learning: Principle Component Analysis pdf, pptx, video (2017/04/13, recorded at 2016/11/11)
Unsupervised Learning: Neighbor Embedding pdf, pptx, video (2017/04/20)
Unsupervised Learning: Deep Auto-encoder pdf, pptx, video (2017/04/20)
Unsupervised Learning: Word Embedding pdf, pptx, video (2017/04/27)
Unsupervised Learning: Deep Generative Model pdf, pptx, video (2017/04/27)
Transfer Learning pdf, pptx, video (2017/05/03)
Recurrent Neural Network pdf, pptx, video (part 1), video (part 2) (recorded at 2016/12/30)
Matrix Factorization pdf, pptx, video (2017/05/25)
Ensemble pdf, pptx, video (2017/05/25)
Introduction of Structured Learning pdf, pptx, video (part 1), video (part 1) (2017/06/01)
Introduction of Reinforcement Learning pdf, pptx, video (2017/06/15)
Ω 私心推荐指数(以五分计) ★★★★★
*[m*[1;33;40m ★ ★ ★ ★ ★ *[m
η 上课用书(影印讲义或是指定教科书)
基本上是老师投影片，不过老师很推大家去看Bishop
μ 上课方式(投影片、团体讨论、老师教学风格)
上课时，老师就是讲投影片，然后会提很多很鲜明的例子，加上老师本身宅属性也很高，
所以很合胃口(误
σ 评分方式(给分甜吗？是扎实分？)
作业 10% * 6
Final 40%
ρ 考题型式、作业方式
没有任何考试
作业都是Kaggle上的题目，与去年完全吃排名不同，今年分Simple Baseline跟Strong
Baseline，基本上过baseline，就可以拿到分数。除此之外，每次作业都有Report，
Report分数比Kaggle的难拿许多QQ
Final Project的部分，其实就是作业的豪华版，有Simple Baseline跟Strong Baseline
，然后Report要写多一点。
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…)
完全不重视出席率。
加签的部分，今年写完hw0就全签，不过明年不一定。
外系的话，基本上建议会写Python再来，不过边上边学其实也可以，Python上手很快。
Ψ 总结
这门课与轩田老师的机器学习真的是各有千秋，两个搭在一起上有1+1>2的效果。
这门课，讲了满多DL的部分，传统的svm系列产品则是用较小篇幅带过。而老师上
课的风格轻松诙谐，让大家都听得满爽der。话说，如果怕过不了Simple Baseline
跟Strong Baseline，强烈建议揪团来修，因为kaggle的submission次数是有限制
的，多一点人，可以分工尝试不同的model或参数。