※ 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：
105-2
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
李宏毅 + (林宗男???)
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)
電機系
δ 課程大概內容
課程網頁 : http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
Introduction of this course: pdf,pptx (2017/02/23)
HW0: link, video (2017/02/23)
Regression: pdf,pptx,video (2017/03/02)
Where does the error come from?: pdf,pptx,video (2017/03/02, recorded at 2016/10/07)
Gradient Descent: pdf,pptx,video (2017/03/09, recorded at 2016/10/07)
HW1 - PM2.5 Prediction: link (2017/03/02)
Classification: Probabilistic Generative Model pdf, pptx, video (2017/03/16, recorded at 2016/10/07)
Classification: Logistic Regression pdf, pptx, video (2017/03/23, part of the video recorded at 2016/10/14)
HW2 - Income Prediction: link (2017/03/23)
Introduction of Deep Learning pdf, pptx, video (2017/03/23, recorded at 2016/10/14)
Backpropagation pdf, pptx, video (2017/03/23)
“Hello world” of Deep Learning pdf, pptx, video (2017/03/23)
Tips for Deep Learning pdf, pptx, video (2017/03/30)
Convolutional Neural Network pdf, pptx, video (2017/04/06)
HW3 - Image Sentiment Classification: link (2017/04/06)
Why Deep? pdf, pptx, video (2017/04/06, recorded at 2016/11/04)
Semi-supervised Learning pdf, pptx, video (2017/04/13, recorded at 2016/11/11)
Unsupervised Learning: Principle Component Analysis pdf, pptx, video (2017/04/13, recorded at 2016/11/11)
Unsupervised Learning: Neighbor Embedding pdf, pptx, video (2017/04/20)
Unsupervised Learning: Deep Auto-encoder pdf, pptx, video (2017/04/20)
Unsupervised Learning: Word Embedding pdf, pptx, video (2017/04/27)
Unsupervised Learning: Deep Generative Model pdf, pptx, video (2017/04/27)
Transfer Learning pdf, pptx, video (2017/05/03)
Recurrent Neural Network pdf, pptx, video (part 1), video (part 2) (recorded at 2016/12/30)
Matrix Factorization pdf, pptx, video (2017/05/25)
Ensemble pdf, pptx, video (2017/05/25)
Introduction of Structured Learning pdf, pptx, video (part 1), video (part 1) (2017/06/01)
Introduction of Reinforcement Learning pdf, pptx, video (2017/06/15)
Ω 私心推薦指數(以五分計) ★★★★★
*[m*[1;33;40m ★ ★ ★ ★ ★ *[m
η 上課用書(影印講義或是指定教科書)
基本上是老師投影片，不過老師很推大家去看Bishop
μ 上課方式(投影片、團體討論、老師教學風格)
上課時，老師就是講投影片，然後會提很多很鮮明的例子，加上老師本身宅屬性也很高，
所以很合胃口(誤
σ 評分方式(給分甜嗎？是紮實分？)
作業 10% * 6
Final 40%
ρ 考題型式、作業方式
沒有任何考試
作業都是Kaggle上的題目，與去年完全吃排名不同，今年分Simple Baseline跟Strong
Baseline，基本上過baseline，就可以拿到分數。除此之外，每次作業都有Report，
Report分數比Kaggle的難拿許多QQ
Final Project的部分，其實就是作業的豪華版，有Simple Baseline跟Strong Baseline
，然後Report要寫多一點。
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…)
完全不重視出席率。
加簽的部分，今年寫完hw0就全簽，不過明年不一定。
外系的話，基本上建議會寫Python再來，不過邊上邊學其實也可以，Python上手很快。
Ψ 總結
這門課與軒田老師的機器學習真的是各有千秋，兩個搭在一起上有1+1>2的效果。
這門課，講了滿多DL的部分，傳統的svm系列產品則是用較小篇幅帶過。而老師上
課的風格輕鬆詼諧，讓大家都聽得滿爽der。話說，如果怕過不了Simple Baseline
跟Strong Baseline，強烈建議揪團來修，因為kaggle的submission次數是有限制
的，多一點人，可以分工嘗試不同的model或參數。