※ 本文是否可提供臺大同學轉作其他非營利用途？（須保留原作者 ID）
（是／否／其他條件）：
是
哪一學年度修課：
104-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
陳定立
λ 開課系所與授課對象 (是否為必修或通識課 / 內容是否與某些背景相關)
數學系， 數學研究所
δ 課程大概內容
week 1: Maximum likelihood estimation, Gaussian mixture model, Gradient ascent
week 2: Maximum a posteriori estimation, K-means, Fuzzy c-means
week 3: EM algorithm
week 4: EM Algorithm Hidden Markov Model
week 5: Hidden Markov Model Dynamic Programming
week 6: Monte Carlo Integration
week 7: Importance Sampling
week 8: Random Number Generator
week 9: Markov chain Monte Carlo
week 10: Metropolis-Hastings Algorithm
week 12: Gibbs Sampler
week 13: Slice sampling, non-reverersible MCMC
week 15: Examples
Ω 私心推薦指數(以五分計) ★★★★★
★★★★★
η 上課用書(影印講義或是指定教科書)
無
μ 上課方式(投影片、團體討論、老師教學風格)
上課沒有什麼投影片，主要方式是先給出一個現實中的問題，並附上 data，然後說想要
解?
什麼樣的問題，接下來就是課堂上一起去思考說要怎麼做。老師很強調要自己去想，
不要用任何學過的知識，而如果要用，你就必須知道他是怎麼來的才能用，不能說我記得
什麼東西可以解決這個問題而說不出原理。老師一直很強調說希望這門課結束後，
你可以從原理以及爲什麼要這樣做而出發去思考一個問題
所以每次上課，都會是一個腦力大激盪，老師丟出問題，然後每個人發表意見，說自己有
什麼想法可以怎麼做，然後有人質疑就開始解釋，有可能一整節課都沒有任何進展。
然後下節課老師會給 hint，告訴說可以從哪裏下手。
σ 評分方式(給分甜嗎？是紮實分？)
我是認爲紮實吧？XD
評分方式就是期中上機考，再加上期末報告。
期中上機考的內容會是上課所講解過的問題，但會是變形，有四題左右
而那些問題通常都會伴隨着每個禮拜老師出的作業，但這些作業是不評分的
是給你練習用的。因此雖然說作業不評分，但是不做的話期中考就會 掰了
因此作業量是蠻多的個人覺得，因爲你要自己去思考問題，然後想到後把數學寫出來
然後再寫程式去驗證。
因此只要都有寫出來，分數都會不錯，紮實又甜嗎（矛盾）XD
ρ 考題型式、作業方式
如上，每週都會有不計分的作業，而作業會和上課要討論的問題相關，
而沒有做的話就很難參與討論，然後這些作業和期中上機考相關。
老師很注重你有沒有學會概念，因此上機考那段時間結束後，老師還開放了三次上傳
期中考答案的機會，而且一些不會回答的上課也會解釋說可以怎麼做，然後又再開放
因此深刻感受到老師要你學會最重要的教學理念。
而期末報告就希望研究生能夠把上課教過的東西找現實問題來解決。而大學部學生就
寫心得就可以了。但是也有大學部的做final project。
ω 其它(是否注重出席率？如果為外系選修，需先有什麼基礎較好嗎？老師個性？
加簽習慣？嚴禁遲到等…)
課堂上有一半是外系的。基本上要有統計的基礎，然後有基本程式經驗(不限程式語言)
然後有一顆討論的心，以及思考解決問題的心就夠了。全簽
Ψ 總結
老師是一個很有教學理念的老師，是第一次開課吧，很注重你有沒有學會而不是把知識
灌輸給你而已。
最後一週的時候還因爲講了太多方法而我們期中考也不見的能全部會應用出來
因此改成介紹一些實際例子讓我們更瞭解方法的應用，希望我們結束這學期後會應用。
而且很深入淺出，透過上課討論的方式，更加明白像是EM 是怎麼推導出來的，
爲了解決什麼問題，而K means 又有什麼限制，和 EM 的差別又是什麼這樣的領悟出來
是門好課，這好像是數學系推的資料科學的其中一個系列吧 XD