※ 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：
106-1
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
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/电机所/电信所
δ 课程大概内容
课程网址：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html
Ω 私心推荐指数(以五分计) ★★★★★
★ ★ ★ ★ ★五颗全满
不论是内容，loading，最后给分都是五颗满(意思是loading也不太重)
η 上课用书(影印讲义或是指定教科书)
内容基本上是老师投影片
μ 上课方式(投影片、团体讨论、老师教学风格)
课程主要内容都在youtube上，如果有新的内容老师会亲自上课。其中会有几堂课
请外面讲师或是其他老师来讲课。另外每次作业结算前一周会有所谓“手把手教学”
，并选一些“小老师”给大家上课时间问问题。每次作业结算后的前五名会上台
分享作法，有分享会有额外加分。
老师教学风格是非常异常的易懂，老师擅长把一些不好解释的东西解释得很清楚，
而且完全不会有距离感。
σ 评分方式(给分甜吗？是扎实分？)
作业 10% ，一共六次
Final 40%
评分都非常不刁难，不要太粗心作业分数应该都可以全拿。我自己因为前五
名分享的额外分数拿了三次，所以不确定如果只拿基本分这个没拿的话分数
是最后会如何就是了。因为中间有一两次上传档案的问题导致被扣一些分数，
我实拿的分数可能跟一般全拿差不多吧我猜，最后拿了a+。
ρ 考题型式、作业方式
没有任何考试分数
作业是Kaggle的课堂比赛，以个人为单位进行。
分数计算使用Simple Baseline跟Strong Baseline。两个baseline都不会订
得太难，且都有两或三周的时间外加超佛心手把手教学时间，只要有跟上课
程这部分要全拿基本上没什么问题。每次作业都有report report分数也不难
拿，叙述最好要有数据佐证。Final Project非常重要（40%），写起来会比
平时作业复杂一些，是以分组进行的。期末会有作业五作业六和期末一起赶
死线的情况发生。
把程式码上传的时候真的要检查仔细，不然到时候因为格式或是一些冒失的错
误可能会在分数上让你后悔（可能比没过一个baseline还伤）。
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…)
写完hw0全签的样子（学期初总人数约400人），但是下学期也许不会这样，下学
期换成吴沛远老师主授（和李宏毅老师合开），不过听说课程主轴和作业都会跟
这学期的差不多～
程式基础的话要求应该不是太高，原因是python上手很快，我也是修这门课才
碰py的（以前的基础是c/c++, java, matlab），最少最少基本的程式逻辑（
例如至少熟悉for, if else）要熟一点。
数学的部分我觉得至少就是微分（毕竟最至少gradient descent还是要听懂？
）要完成六次作业，拿到kaggle双baseline的分数的话大概就是把课程内容听
懂完全就够了。
如果平常会查额外资料或是让自己kaggle分数可以到前几名之类的，可能因为
paper多少牵扯到线性代数的推导以及一些机率的东西，矩阵运算有基本的认识
会让查资料更无痛就是了。
我自己有跟实验室所以没有计算资源（GPU）的问题，也推荐大家在有计算资
源的情况下修课，不然某些作业可能会有点累，或是期末project如果用cpu跑
可能没跑几次就deadline了（我实际没跑过可能太夸张）。毕竟就算model很好了
方法对了，还是得调参数，计算时间严重影响调参数的心情xdd。除了计算资源
，推荐找朋友一起修，我认为有朋友一起讨论会事半功倍（模型好坏，课外资
料互相分享与讨论等等..）虽然老师有提供外面厂商赞助的计算资源，不过我没
用过所以也不知道实际上没有gpu会不会很累。
Ψ 总结
如果怕字多，总之就是大推xdd
loading来说我认为不会太重，只要不要最后一天才开始写应该不会手忙脚乱。
这门课更精准一点说，内容偏向机器学习中的“深度学习”，虽然有几次作业会
用到不是dl的方法，例如可能作业二会想用random forest等等的方法，不过尤其
是中间偏后都比较属于深度学习的内容。老师课程内容偏向让大家无痛入门。如
果想要细部了解的话会发现随便一个标题或是举到的方法都是一到数篇paper讲
的东西。
双baseline虽然分数不难拿，但是要拿到前五名可以上台分享加分的话，可能要
多查一些资料或是paper，以我来说我几乎每次都会查除了老师上课教的以外的方
法，这部分也是我学到最多的地方，经由老师带我入门，我再以这些基础去查相
关资料。过baseline的时间会远小于精进到前几名的时间，六次作业里面我上台
分享了三次，几乎每次都是公布作业第一天过双baseline，剩下时间冲排名xdd。
我私自认为过双baseline就停了非常可惜，自己学到的许多东西都是在baseline
以后开始精进方法往前冲的部分，而且也几乎可以证实不是光靠tune参数就可以
tune到前几名。除了自己查额外资料，平常有事没事也可以看看老师在mlds的课
程（像是边吃饭边看），算是这门ml课程一些题目的延伸，这部分对自己阅读dl
领域最新的paper也有非常大的帮助。由于六次作业加上final大致上会把课程里
面教的大部分都用上，算是学以致用感受非常深的一门课。
相信修完这门课应该对于日后想看dl相关领域的资料都可以比较无痛的进入状况
吧！
除了真的很感谢李宏毅老师（光是愿意无视科系收400人...），也再次感谢这学
期强大辛苦助教群！