作者:
Kennyfs (肯肯)
2025-01-08 13:16:27※ 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）：
其他條件，之後會放在blog，要註明ID及 blog https://kennyfs.github.io
哪一學年度修課：
113-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
林軒田
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，需要微分、線性代數的基礎知識，基本上就是HW0的內容
δ 課程大概內容
主要是經典的ML技術，很紅的DL比較少提及。要修課的人要注意內容是否是你想要的。可以
到這裡聽教授的解釋 https://youtu.be/ucD1pCEjSOI?t=5171。
簡單來說，這門課教的是基礎，DL等也是建立在這個基礎之上。有些使用情境其實用不到DL
，可能是因為資料太少，所以經典的技術還是值得學習。
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)
Learning from Data, by Yaser Abu-Mostafa, Malik Magdon-Ismail and Hsuan-Tien Lin
教授很久以前寫的書，與上課內容高度相關，聽不懂的話可以看一下書。
μ 上課方式(投影片、團體討論、老師教學風格)
投影片，鼓勵發問但沒什麼人發問
σ 評分方式(給分甜嗎？是紮實分？)
HW0 40分，其他7次作業每次200分（有加分題），再加上project 800分，加總後，加上七
次作業中0.5× (最高-最低)，算完分數後黑箱切分數，大致上98% A+，90% A，86% A-。不?
麼甜，可參考final project平均：競賽48%、report 63%。之後或許會補A+率。
很紮實。
ρ 考題型式、作業方式
沒有考試，作業有一些選擇題、手寫(實際上用LaTeX比較方便)、需要寫程式實驗的題目。l
oading算中等偏高，但也不至於卡很久，通常兩三天就能寫完，有些問題甚至簡單到ChatGP
T-4o就能解決。
final project佔總分35%左右，而report是競賽分數的9倍，所以重要的是report要寫出好
的東西，但真的有點困難。
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？
不點名
加簽習慣？嚴禁遲到等…)
台大全簽
Ψ 總結
教授一開始就說了四個別選這堂課的理由，也確實這門課不會讓你馬上就學到最夯的神經網
路、DL，所以修之前要想清楚到底是不是你想學的內容，網頁上都有簡報和錄影，可以先看
一下再決定。
https://www.csie.ntu.edu.tw/~htlin/course/ml24fall/