※ 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：
107-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
李彥寰
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)
資工所
δ 課程大概內容
課程網頁: https://cool.ntu.edu.tw/courses/130
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)
老師自己的投影片
μ 上課方式(投影片、團體討論、老師教學風格)
投影片在上前會放到NTU Cool
上課就是投影片輔以白板
σ 評分方式(給分甜嗎？是紮實分？)
作業 40 % (取最高三次)
期中考 20 % (期中考前的作業一定要寫，不寫會後悔QQ)
Final Project 40 %
ρ 考題型式、作業方式
作業真的超Nice，基本上每次作業都是兩到三個大題，
然後裡面的題目會一個接一個，逐步帶領你證出神秘的
bound，這個真的是用心的老師才會這麼仔細的安排。
不過老師作業一版通常都會有bug，所以要早點開始寫
，不然會被bug誤導得很慘，但老師回信修改的速度真
的超快。
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…)
出席率 0
建議修過線代，不然會有一點痛苦
Hsuan-Tien ML, Shou-De ML, Hung-Yi ML之類的課，
沒修過也沒差
不過有修過 Chih-Jen OPTML(下學期停開QQ)的話，前面一兩份的投影
片和第一次作業會滿舒服的，不過後面就沒差了。
Ψ 總結
在大大大ML時代，人人都是資料科學家，大家都是pytorch, tensorflow,
keras, chainer,caffe疊積木大師，但你是否曾經想過，為何gradient
descent會收斂，就算他會收斂，又會收斂的多快呢?那是否有比gradient
descent還快的演算法呢?
在堂課中，老師帶著大家從convex function簡單的性質開始，從定義
開始，然後介紹了gradient descent然後又介紹了神一般的俄國人
Nesterov的accelerated gradient descent，之後將gradient descent
的式子寫成norm形式，開始想著是否能用其他的norm來做gradient descent?
於是mirror descent就進入了眼簾，之後將convex function改成
composite形式，出現了proximal gradient系列算法，然後你的期中
考範圍就到這惹。
期中考完後，就是Frank-Wolfe Method，之後稍微進入Online的世界
介紹惹Online Mirror Descent。最後踏入Learning in games，從
naive的follow-the-leader，加入神奇天眼的be-the-leader，最後
進入follow-the-regularized leader.
學期的最後，以Optimistic method劃下句點。
好課不修嘛~ 而且期中考平均好像7x~