※ 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： 108-2
ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 杨曙荣
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)
商研所、统计硕士学程
δ 课程大概内容
Topic 1: model-based inference, learning and prediction 贝式统计基本观念
Topic 2: linear model
Topic 3: multiple linear model
Topic 4: information criteria
Topic 5: regularization and validation
Topic 6: conditioning and simulation-based inference
Topic 7: generalized linear models and classification
Topic 8: counting, mixtures, and monsters
Topic 9: multilevel models
Topic 10: Gaussian processes and missing data
Ω 私心推荐指数(以五分计)
☆☆☆☆☆想学正版的多变量分析
★★★★★课程内容丰富程度
★★★★☆实用度
★★★★★★★★★★助教解说影片详细程度
★★★★★会真的去看课本
η 上课用书(影印讲义或是指定教科书)
Statitical Rethinking, A Bayesian Course with Examoles In R And Stan, se
μ 上课方式(投影片、团体讨论、老师教学风格)
本学期都是ntucool线上授课，本来打算期末分组作project，后来没有、改成多一次作业
老师授课主要讲课本章节中重点部分，一些理论推导细节或步骤不会细讲
老师也会补充一些新的东西，主要是关于该章节和机器学习、deep learning的连结
还有较详细的抽样模拟算法及其背后的数学，虽然没学过随机过程真的不太清楚
后面generalized linear models开始，有各种不同的模型标示及其例子，非常新奇
像是存活分析、顺序尺度类别回归、每个观察值变异不同等等多情境下，如何设定贝式模型参数来估计
这部分老师讲很快，实际操作时要看过课本才比较熟悉
因为是线上授课都不太认识同学，所以比较少有团体讨论的机会
老师上课也较多讲理论，不提写程式的细节
不过因为助教有录每章节code解说影带及档案，非常详尽
基本上看得懂程式在干嘛，就知道要复制哪一段、作业也可以写得出来
σ 评分方式(给分甜吗？是扎实分？)
扎实甜
成绩算自第一堂课小考和六次作业
具体算法我也不清楚，但感觉第一堂课小考不会放进去
作业主要是助教改的，平均成绩大概每次80几分吧，除了那两次kaggle分析资料以外
我自己Kaggle作业成绩颇差(没学过程式设计一片茫然)，但最后等第出来让我觉得应该有调...
其实我觉得第一堂小考和kaggle作业都让我觉得蛮莫名其妙的...
ρ 考题型式、作业方式
我们有两次作业是要上去用kaggle的资料作分析
剩下的作业都是从课本的习题选出几题
老师要求所有作业都要用stan写，不能用其他套件 ex. 线性回归模型不能用lm
作业主要是看模型有无跑出结果能回答问题即可
我自己会在作业上写课本提到理论解释，但其实不太要求
不过我认为这堂课重点也不在coding，主要是学建模型的统计观念
毕竟很多人以后都不用stan，都在python机器学习...
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…)
我觉得统计学一定要修过，有高统更好
因为里面有出现likelihood ratio, conjugate prior的东西，修过高统可能比较知道在干嘛
我看到有同学搭配蒋明晃的高统下一起修，在期初同步学习贝式估计
另外，也可以先修完余峻瑜商管统计资料分析，
除了可能可以感受frequentist和bayesian的差别(?)，余老师后面讲的GLM也可以在这堂课进一步的学习
Ψ 总结
这堂课之前也有人评价过了，它原本被放在 物联网下商管统计分析 的课名之下
不管它所在的课名是什么，它的内容应该叫做 贝式统计入门
是说听说物联网那堂课换在教机器学习了...
另外，这堂课真的没在教多变量，老师上课略为提到PCA但叫我们回家自己学XD