※ 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：107-2
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（需要登入）：https://cool.ntu.edu.tw/courses/233
Statistical learning
- Empirical risk minimization
- Rademacher complexity
- VC dimension
- Covering number
- PAC-Bayes analyses
- Model selection
Multiplicative weight update
- Weighted majority vote
- Individual sequence prediction
- Universal source coding
- Normalized maximum likelihood
- Static hypotheses
Aggregating algorithm(s)
- Learning with expert advice
- Mixability
- Online portfolio selection
- Online convex optimization
- Online gradient descent
Misc
- Decision theoretic online learning (hedge, exponentiated gradient)
- Defensive forecasting
- Quantile regret bound
- Second-order bounds (AdaHedge)
- Adaptive regret (specialist AA, fixed share)
Ω 私心推荐指数(以五分计) ★★★★★
喜欢（非常理论的）数学，对统计、微积分、线代算熟：★★★★★
想要写程式，不喜欢读/写证明：★
η 上课用书(影印讲义或是指定教科书)
基本上是老师的讲义，有兴趣的话可以搭配一些相关论文看
（我自己这学期只有看三四篇上下，不包含final project的话）
另外大致上可以参考同名的这本书：
Prediction, Learning, and Games, by N. Cesa-Bianchi and G. Lugosi
μ 上课方式(投影片、团体讨论、老师教学风格)
基本上是投影片讲解，偶尔会用黑板补充一些细节。
老师不太会把所有细节都写在投影片上，
（尤其是上到最后时，很多东西都是我们之前证过所以直接用）
所以上课基本上不太能分神，不然可能一下子就看不懂前一步是为什么。
不过基本上定理的直观意义和证明的主要思路都会写好（或是上课讲），
所以上课没听懂也没下课问的话其实自己回家看也是可以。
老师人很好，上课或下课都可以随时问问题或闲聊，
有时候下课甚至会主动跑来听学生在聊什么，顺便加入话题XD
σ 评分方式(给分甜吗？是扎实分？)
4次手写作业取高的3次，各13.33% => 40%
期中考 => 20%
Final project (报告 + report) => 40%
个人是作业分数全拿，期中考94，final project 90，最后 A+。
（好像没有调分，就直接用算完的成绩换算等第）
ρ 考题型式、作业方式
考题和作业的形式很像，都是好几个大题，每个大题会有2～6小题。
通常一个大题最后都会推出一个上课没讲到、但满相关的结果，
而且都是老师自己设计的原汁原味题目！
有些可能是需要一些线代、机率的知识，
有些是用上课的内容、证明技巧或结果去延伸等等。
个人是觉得难度控制不错，很有鉴别度（尤其是期中考XD）。
Final project 基本上是分组做一个小主题的 survey，
准备一个最多半小时的报告，以及一个不超过12页的 report。
如果早点开始准备的话应该不会太麻烦，
不过我们太晚决定题目，导致最后做得有点赶。
建议可以早点和老师讨论题目的方向或可行性，可以获得一些建议。
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…)
本来人就不多，老师也不管出席。
要修的话大概就是对一些机率、线代、微积分等等要有一定的熟练度会比较自在
（以老师的口吻来说是 math maturity）
因为人不多（劝退力道很够）所以应该是全签，旁听也是OK。
Ψ 总结
应该算是资讯系少数的数学课（和少数做理论的老师），
因为上学期没修到最佳化算法
（见https://www.ptt.cc/bbs/NTUcourse/M.1547834570.A.B57.html）
觉得遗憾，就来修修看这个虐待自己。
整体来说算是对 (online) ML 的理论部分开了眼界，非常醍醐灌顶，
可惜最后好像有些老师满想讲的主题没时间讲完。
下学期也欢迎捧场老师第二次开最佳化算法！