※ 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： 108-2
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄) 楊曙榮
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)
商研所、統計碩士學程
δ 課程大概內容
Topic 1: model-based inference, learning and prediction 貝式統計基本觀念
Topic 2: linear model
Topic 3: multiple linear model
Topic 4: information criteria
Topic 5: regularization and validation
Topic 6: conditioning and simulation-based inference
Topic 7: generalized linear models and classification
Topic 8: counting, mixtures, and monsters
Topic 9: multilevel models
Topic 10: Gaussian processes and missing data
Ω 私心推薦指數(以五分計)
☆☆☆☆☆想學正版的多變量分析
★★★★★課程內容豐富程度
★★★★☆實用度
★★★★★★★★★★助教解說影片詳細程度
★★★★★會真的去看課本
η 上課用書(影印講義或是指定教科書)
Statitical Rethinking, A Bayesian Course with Examoles In R And Stan, se
μ 上課方式(投影片、團體討論、老師教學風格)
本學期都是ntucool線上授課，本來打算期末分組作project，後來沒有、改成多一次作業
老師授課主要講課本章節中重點部分，一些理論推導細節或步驟不會細講
老師也會補充一些新的東西，主要是關於該章節和機器學習、deep learning的連結
還有較詳細的抽樣模擬演算法及其背後的數學，雖然沒學過隨機過程真的不太清楚
後面generalized linear models開始，有各種不同的模型標示及其例子，非常新奇
像是存活分析、順序尺度類別回歸、每個觀察值變異不同等等多情境下，如何設定貝式模型參數來估計
這部分老師講很快，實際操作時要看過課本才比較熟悉
因為是線上授課都不太認識同學，所以比較少有團體討論的機會
老師上課也較多講理論，不提寫程式的細節
不過因為助教有錄每章節code解說影帶及檔案，非常詳盡
基本上看得懂程式在幹嘛，就知道要複製哪一段、作業也可以寫得出來
σ 評分方式(給分甜嗎？是紮實分？)
扎實甜
成績算自第一堂課小考和六次作業
具體算法我也不清楚，但感覺第一堂課小考不會放進去
作業主要是助教改的，平均成績大概每次80幾分吧，除了那兩次kaggle分析資料以外
我自己Kaggle作業成績頗差(沒學過程式設計一片茫然)，但最後等第出來讓我覺得應該有調...
其實我覺得第一堂小考和kaggle作業都讓我覺得蠻莫名其妙的...
ρ 考題型式、作業方式
我們有兩次作業是要上去用kaggle的資料作分析
剩下的作業都是從課本的習題選出幾題
老師要求所有作業都要用stan寫，不能用其他套件 ex. 線性回歸模型不能用lm
作業主要是看模型有無跑出結果能回答問題即可
我自己會在作業上寫課本提到理論解釋，但其實不太要求
不過我認為這堂課重點也不在coding，主要是學建模型的統計觀念
畢竟很多人以後都不用stan，都在python機器學習...
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…)
我覺得統計學一定要修過，有高統更好
因為裡面有出現likelihood ratio, conjugate prior的東西，修過高統可能比較知道在幹嘛
我看到有同學搭配蔣明晃的高統下一起修，在期初同步學習貝式估計
另外，也可以先修完余峻瑜商管統計資料分析，
除了可能可以感受frequentist和bayesian的差別(?)，余老師後面講的GLM也可以在這堂課進一步的學習
Ψ 總結
這堂課之前也有人評價過了，它原本被放在 物聯網下商管統計分析 的課名之下
不管它所在的課名是什麼，它的內容應該叫做 貝式統計入門
是說聽說物聯網那堂課換在教機器學習了...
另外，這堂課真的沒在教多變量，老師上課略為提到PCA但叫我們回家自己學XD