※ 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）：
否
哪一學年度修課：
106-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
陳縕儂、李宏毅
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)
資工系 選修
δ 課程大概內容
Neural Network Basics
Backpropagation
Word Representation
Sequence Modeling
Recurrent Neural Network
Recursive Neural Network
Sequence Labeling
Word Embeddings
Gated RNN
Sequence Generation
Special Networks : 潮砲新Network，像是fusionnet之類derrrrr
Advanced Tips for Deep Learning : initialization的重要性等等
Deep Reinforcement Learning
Generative Adversarial Network
Sequence Generation by GAN
All Kinds of GAN
Ω 私心推薦指數(以五分計) ★★★★★
想要聽很理論很理論的內容 ★ ★ ★
想要一覽目前很潮砲的Network並且實作 ★ ★ ★ ★ ★
懶得出門 滿天星
η 上課用書(影印講義或是指定教科書)
教授投影片
μ 上課方式(投影片、團體討論、老師教學風格)
教授用投影片上課，這次是兩位教授合開。
σ 評分方式(給分甜嗎？是紮實分？)
18 % x 4 作業
25 % Final Project
5 % 課堂參與
神甜
ρ 考題型式、作業方式
沒有考試，只有四次作業與一個Final Project。
第一次作業 : Sequence Labeling
第二次作業 : Video Captioning
第三次作業 : Game Playing
第四次作業 : Comic Generation
四次作業比較麻煩的部分都是調參數，不過這大概就是Deep Learning系列
的必要之惡吧。基本上助教都把Model的架構都大概跟大家講了，接下來就
是當NN訓練師惹。
Final Project : 分成HTC組跟自由發揮阻
Final Project有draft、progress report跟poster要用。
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…)
這次全簽，有ML基礎會較佳，不過也有人跟ML一起修
Ψ 總結
這門課就是整體都還不錯r，不過沒有GPU的人真的就滿辛苦的，雖然學期
初時有來自M$的恩惠，但是第二次作業時就用完惹。跟ML相比，這門課只
有一次的Kaggle，而有更多的peer review。這當然有好有壞，因為peer
review沒辦法確定是完全公平的，但是跳脫kaggle的框架，其實就能做
更多好玩的東西，像是RL跟GAN。
以課程內容來說，前半段的部分跟ML有點重疊，不過有比較深一點。不過
在RL的地方，其實有點跳躍，MDP之類的東東都超快速被帶過，然後就進入
了Deeeeeeeeep RL，如果沒接觸過大概會是滿頭問號。