感谢l大的指教~ 以下稍微回应一下:
1. 后半段资料分析这个部分东西比较多，难吸收这件事情，
我也一直困扰多年，每次都试着改善，但显然都还没有做好。
例如，相较于以前的课程，这次我就拿掉了semi-supervised learning、
hybrid learning、recurrent neural nets、pyspark的介绍。
这边我的挣扎/权衡主要是:
a. 课程架构的完整性vs.课程内容的可理解性:
主题/内容覆蓋率若比较少，慢慢讲是一定可以讲清楚的。
但在我心中它就是一个不完整的导论课，会有点类似像这门通识课:
https://ocw.nthu.edu.tw/ocw/index.php?page=course&cid=19
从普心的观点就会觉得不完整(虽然本来这门就是通识没有要追求完整)
这门课2014第一次开课的时后，领域内还没有人在用deep learning。
但2018年开后就补上，求的是能让大家和国外同步能看到最前沿的风景。
所以这种因为时间演进，人类知识愈来愈多的资讯爆炸，也是很难避免。
b. 会用就好vs.了解原理
例如求scikit-learn会用，就书翻一翻换换machine learners就可以了，
不用讲hierarchical clustering、KNN、K-medoids、SVM的算法概念。
例如求Keras会用，其实去YouTube看莫烦的教学影片就可以了，不用介绍
universal approximation theorem 和 basis functions 的观念。
前者教法比较讨喜我知道，但我选后者因为各位可以走得比较长远。
c. 一般内容vs.独门心法
一般内容就是讲一些其他人/书/影片也会覆蓋的内容，独门心法类似像
怎么追 http requests/responses 来反“反爬虫”与 打散 ML pipelines。
这边的挣扎就是不多教独门心法/内功可以比较快，但就有点可惜。
2. 关于"关于心理与神经资讯学的部分，比重相较于程式的东西来说真的不太多"。
a. 这个领域，缺的不是很酷的论文/研究，缺的是这些研究怎么做出来的技术细节。
这门课希望让初心者有 minimal working examples 可以解决眼高手低的问题。
这也是为何课程比较注重技术，而我也花了大把的时间做 Jupyter Notebooks。
这些技术都是实际上被用到的，例如 Neurosynth 用到了爬虫技术、
网页前后端的技术、影像处理、及机器学习。
b. 和心理实验法的差异是，心实教 Orange 比较好吸收但 Python 比较
general-purpose，之后可以走得比较长远。
c. 全世界没有几门 psychoinformatics 的课，大家可以比较看看，
或许有教得比较好的课 (或许没有XD)。
3. 2021年因为研究/教学/服务/产学/家庭负担都有点激烈，伤了元气。
新的一学期决定进入养生 (aka 财富自由/提早退休) 模式。
下学期比较复原后，再继续服务各位同学！
希望届时疫情退散，我也能呈现出更好的自己 & 课程给大家～ :)
Tren