※ 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）：
否
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)
陈缊侬、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)
资工系 选修
δ 课程大概内容
Neural Network Basics
Backpropagation
Word Representation
Sequence Modeling
Recurrent Neural Network
Recursive Neural Network
Sequence Labeling
Word Embeddings
Gated RNN
Sequence Generation
Special Networks : 潮砲新Network，像是fusionnet之类derrrrr
Advanced Tips for Deep Learning : initialization的重要性等等
Deep Reinforcement Learning
Generative Adversarial Network
Sequence Generation by GAN
All Kinds of GAN
Ω 私心推荐指数(以五分计) ★★★★★
想要听很理论很理论的内容 ★ ★ ★
想要一览目前很潮砲的Network并且实作 ★ ★ ★ ★ ★
懒得出门 满天星
η 上课用书(影印讲义或是指定教科书)
教授投影片
μ 上课方式(投影片、团体讨论、老师教学风格)
教授用投影片上课，这次是两位教授合开。
σ 评分方式(给分甜吗？是扎实分？)
18 % x 4 作业
25 % Final Project
5 % 课堂参与
神甜
ρ 考题型式、作业方式
没有考试，只有四次作业与一个Final Project。
第一次作业 : Sequence Labeling
第二次作业 : Video Captioning
第三次作业 : Game Playing
第四次作业 : Comic Generation
四次作业比较麻烦的部分都是调参数，不过这大概就是Deep Learning系列
的必要之恶吧。基本上助教都把Model的架构都大概跟大家讲了，接下来就
是当NN训练师惹。
Final Project : 分成HTC组跟自由发挥阻
Final Project有draft、progress report跟poster要用。
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…)
这次全签，有ML基础会较佳，不过也有人跟ML一起修
Ψ 总结
这门课就是整体都还不错r，不过没有GPU的人真的就满辛苦的，虽然学期
初时有来自M$的恩惠，但是第二次作业时就用完惹。跟ML相比，这门课只
有一次的Kaggle，而有更多的peer review。这当然有好有坏，因为peer
review没办法确定是完全公平的，但是跳脱kaggle的框架，其实就能做
更多好玩的东西，像是RL跟GAN。
以课程内容来说，前半段的部分跟ML有点重叠，不过有比较深一点。不过
在RL的地方，其实有点跳跃，MDP之类的东东都超快速被带过，然后就进入
了Deeeeeeeeep RL，如果没接触过大概会是满头问号。