※ 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：107-2
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（需要登入）：https://cool.ntu.edu.tw/courses/233
Statistical learning
- Empirical risk minimization
- Rademacher complexity
- VC dimension
- Covering number
- PAC-Bayes analyses
- Model selection
Multiplicative weight update
- Weighted majority vote
- Individual sequence prediction
- Universal source coding
- Normalized maximum likelihood
- Static hypotheses
Aggregating algorithm(s)
- Learning with expert advice
- Mixability
- Online portfolio selection
- Online convex optimization
- Online gradient descent
Misc
- Decision theoretic online learning (hedge, exponentiated gradient)
- Defensive forecasting
- Quantile regret bound
- Second-order bounds (AdaHedge)
- Adaptive regret (specialist AA, fixed share)
Ω 私心推薦指數(以五分計) ★★★★★
喜歡（非常理論的）數學，對統計、微積分、線代算熟：★★★★★
想要寫程式，不喜歡讀/寫證明：★
η 上課用書(影印講義或是指定教科書)
基本上是老師的講義，有興趣的話可以搭配一些相關論文看
（我自己這學期只有看三四篇上下，不包含final project的話）
另外大致上可以參考同名的這本書：
Prediction, Learning, and Games, by N. Cesa-Bianchi and G. Lugosi
μ 上課方式(投影片、團體討論、老師教學風格)
基本上是投影片講解，偶爾會用黑板補充一些細節。
老師不太會把所有細節都寫在投影片上，
（尤其是上到最後時，很多東西都是我們之前證過所以直接用）
所以上課基本上不太能分神，不然可能一下子就看不懂前一步是為什麼。
不過基本上定理的直觀意義和證明的主要思路都會寫好（或是上課講），
所以上課沒聽懂也沒下課問的話其實自己回家看也是可以。
老師人很好，上課或下課都可以隨時問問題或閒聊，
有時候下課甚至會主動跑來聽學生在聊什麼，順便加入話題XD
σ 評分方式(給分甜嗎？是紮實分？)
4次手寫作業取高的3次，各13.33% => 40%
期中考 => 20%
Final project (報告 + report) => 40%
個人是作業分數全拿，期中考94，final project 90，最後 A+。
（好像沒有調分，就直接用算完的成績換算等第）
ρ 考題型式、作業方式
考題和作業的形式很像，都是好幾個大題，每個大題會有2～6小題。
通常一個大題最後都會推出一個上課沒講到、但滿相關的結果，
而且都是老師自己設計的原汁原味題目！
有些可能是需要一些線代、機率的知識，
有些是用上課的內容、證明技巧或結果去延伸等等。
個人是覺得難度控制不錯，很有鑑別度（尤其是期中考XD）。
Final project 基本上是分組做一個小主題的 survey，
準備一個最多半小時的報告，以及一個不超過12頁的 report。
如果早點開始準備的話應該不會太麻煩，
不過我們太晚決定題目，導致最後做得有點趕。
建議可以早點和老師討論題目的方向或可行性，可以獲得一些建議。
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…)
本來人就不多，老師也不管出席。
要修的話大概就是對一些機率、線代、微積分等等要有一定的熟練度會比較自在
（以老師的口吻來說是 math maturity）
因為人不多（勸退力道很夠）所以應該是全簽，旁聽也是OK。
Ψ 總結
應該算是資訊系少數的數學課（和少數做理論的老師），
因為上學期沒修到最佳化演算法
（見https://www.ptt.cc/bbs/NTUcourse/M.1547834570.A.B57.html）
覺得遺憾，就來修修看這個虐待自己。
整體來說算是對 (online) ML 的理論部分開了眼界，非常醍醐灌頂，
可惜最後好像有些老師滿想講的主題沒時間講完。
下學期也歡迎捧場老師第二次開最佳化演算法！