※ 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）：
其他条件，之后会放在blog，要注明ID及 blog https://kennyfs.github.io
哪一学年度修课：
113-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
林轩田
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)
资工系选修，需要微分、线性代数的基础知识，基本上就是HW0的内容
δ 课程大概内容
主要是经典的ML技术，很红的DL比较少提及。要修课的人要注意内容是否是你想要的。可以
到这里听教授的解释 https://youtu.be/ucD1pCEjSOI?t=5171。
简单来说，这门课教的是基础，DL等也是建立在这个基础之上。有些使用情境其实用不到DL
，可能是因为资料太少，所以经典的技术还是值得学习。
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)
Learning from Data, by Yaser Abu-Mostafa, Malik Magdon-Ismail and Hsuan-Tien Lin
教授很久以前写的书，与上课内容高度相关，听不懂的话可以看一下书。
μ 上课方式(投影片、团体讨论、老师教学风格)
投影片，鼓励发问但没什么人发问
σ 评分方式(给分甜吗？是扎实分？)
HW0 40分，其他7次作业每次200分（有加分题），再加上project 800分，加总后，加上七
次作业中0.5× (最高-最低)，算完分数后黑箱切分数，大致上98% A+，90% A，86% A-。不?
么甜，可参考final project平均：竞赛48%、report 63%。之后或许会补A+率。
很扎实。
ρ 考题型式、作业方式
没有考试，作业有一些选择题、手写(实际上用LaTeX比较方便)、需要写程式实验的题目。l
oading算中等偏高，但也不至于卡很久，通常两三天就能写完，有些问题甚至简单到ChatGP
T-4o就能解决。
final project占总分35%左右，而report是竞赛分数的9倍，所以重要的是report要写出好
的东西，但真的有点困难。
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？
不点名
加签习惯？严禁迟到等…)
台大全签
Ψ 总结
教授一开始就说了四个别选这堂课的理由，也确实这门课不会让你马上就学到最夯的神经网
路、DL，所以修之前要想清楚到底是不是你想学的内容，网页上都有简报和录影，可以先看
一下再决定。
https://www.csie.ntu.edu.tw/~htlin/course/ml24fall/