※ 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：
107-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
李彦寰
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)
资工所
δ 课程大概内容
课程网页: https://cool.ntu.edu.tw/courses/130
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)
老师自己的投影片
μ 上课方式(投影片、团体讨论、老师教学风格)
投影片在上前会放到NTU Cool
上课就是投影片辅以白板
σ 评分方式(给分甜吗？是扎实分？)
作业 40 % (取最高三次)
期中考 20 % (期中考前的作业一定要写，不写会后悔QQ)
Final Project 40 %
ρ 考题型式、作业方式
作业真的超Nice，基本上每次作业都是两到三个大题，
然后里面的题目会一个接一个，逐步带领你证出神秘的
bound，这个真的是用心的老师才会这么仔细的安排。
不过老师作业一版通常都会有bug，所以要早点开始写
，不然会被bug误导得很惨，但老师回信修改的速度真
的超快。
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…)
出席率 0
建议修过线代，不然会有一点痛苦
Hsuan-Tien ML, Shou-De ML, Hung-Yi ML之类的课，
没修过也没差
不过有修过 Chih-Jen OPTML(下学期停开QQ)的话，前面一两份的投影
片和第一次作业会满舒服的，不过后面就没差了。
Ψ 总结
在大大大ML时代，人人都是资料科学家，大家都是pytorch, tensorflow,
keras, chainer,caffe叠积木大师，但你是否曾经想过，为何gradient
descent会收敛，就算他会收敛，又会收敛的多快呢?那是否有比gradient
descent还快的算法呢?
在堂课中，老师带着大家从convex function简单的性质开始，从定义
开始，然后介绍了gradient descent然后又介绍了神一般的俄国人
Nesterov的accelerated gradient descent，之后将gradient descent
的式子写成norm形式，开始想着是否能用其他的norm来做gradient descent?
于是mirror descent就进入了眼帘，之后将convex function改成
composite形式，出现了proximal gradient系列算法，然后你的期中
考范围就到这惹。
期中考完后，就是Frank-Wolfe Method，之后稍微进入Online的世界
介绍惹Online Mirror Descent。最后踏入Learning in games，从
naive的follow-the-leader，加入神奇天眼的be-the-leader，最后
进入follow-the-regularized leader.
学期的最后，以Optimistic method划下句点。
好课不修嘛~ 而且期中考平均好像7x~