※ 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：
108-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
吴沛远（主授） 李宏毅 林宗男（合授）
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
Intro to Machine Learning
Probabilistic Generative Model
Logistic Regression
Back Propgation, Gradient Descent
Introduction to DNN
Introduction to CNN
Principal Component Analysis
autoencoder
RNN
====== 以下为大金没教的 ======
Expectation Maximization
Convex Optimization
kernel SVM
PAC - Learning
Ω 私心推荐指数(以五分计) ★★★★★
不好说
η 上课用书(影印讲义或是指定教科书)
无
μ 上课方式(投影片、团体讨论、老师教学风格)
主要都是用大金的投影片
后半学期是吴沛远自制的理论推导们
σ 评分方式(给分甜吗？是扎实分？)
作业 10% * 5
final project 20%
final exam 30%
ρ 考题型式、作业方式
考试留着底下一起说
作业就是有显卡就没问题，
每次作业都会有助教的code给你抄，
而且跟宏毅的作业有一些重叠，
当一个 GitHub 小能手
应该不用担心写不出来...吧
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…)
先讲课程内容：
多数同学来修课都是为了写扣
或是找工作的时候说：
“ 我有学过 machine learning ”
而不是每个礼拜花三小时
来听老师证明机器为什么可以学习
会算这些数学和找工作的 correlation
大概趋近于 0 吧
这些心态也都反映在下半学期的出席率上
助教课的人数和算数学的人数
有显著的不同
所以如果你很不喜欢数学
那这门课应该真的不太适合你 QQ
考试形式：
这门课去年被说是计算机学习
在我看完考古题之后是一点也不意外...
今年有大幅度的改良
一点都用不到计算机
但是充满了证明
对后半学期缺课的人来说根本就是死刑...
因为前半学期的上课内容
几乎都没有在期末考试里
只要有套件的方法一个都没有出
所以平均成绩也就只有 40 左右
（又让我想起电子学的分数
程式作业：
我对程式作业还是有一些信心的
如果你有好好的写完程式作业
其实你就已经对于 pytorch, sklearn
等机器学习套件有一定的了解
在 loading 相对小的条件下
我觉得乖写作业最不亏了
上课风格：
老师本人就是一个数学狂热者
又是一个好学生
和同学之间的共鸣蛮少的...
但有同学去找老师问问题的话他会很开心
也因为老师不太了解同学
所以当我们跟老师反映
期末不要一直按计算机
考卷就变成了证明题 QQ （大家抱歉
期末考的方向可能就要请以后修课的人
再跟老师反映了
助教们：
其实很感谢其他助教愿意来帮忙
毕竟现在这个软件起飞的年代
大家的专长都是写扣
没有人想要算数学 QQ
不过这种实作课的最大好处是
有助教可以问
而且助教信箱是 24 小时不打烊的
（其实可以问助教数学证明
这门课还是有很多可以利用的资源啦
定位在一门机器学习入门的课
我是觉得不好不坏...
只是受众跟大金的课还是有落差
大金的课相对起来更重视实作
这门课多了一点理论基础
不过想选课的人要好好想清楚 XD
不要因为课名很潮就脑冲了
Ψ 总结
不知道能帮这门课洗白多少
但毕竟是我这个学期的心血
还是留个纪录QQ