感谢l大的指教~ 以下稍微回应一下: 1. 後半段资料分析这个部分东西比较多，难吸收这件事情， 我也一直困扰多年，每次都试着改善，但显然都还没有做好。 例如，相较於以前的课程，这次我就拿掉了semi-supervised learning、 hybrid learning、recurrent neural nets、pyspark的介绍。 这边我的挣扎/权衡主要是: a. 课程架构的完整性vs.课程内容的可理解性: 主题/内容覆盖率若比较少，慢慢讲是一定可以讲清楚的。 但在我心中它就是一个不完整的导论课，会有点类似像这门通识课: https://ocw.nthu.edu.tw/ocw/index.php?page=course&cid=19 从普心的观点就会觉得不完整(虽然本来这门就是通识没有要追求完整) 这门课2014第一次开课的时後，领域内还没有人在用deep learning。 但2018年开後就补上，求的是能让大家和国外同步能看到最前沿的风景。 所以这种因为时间演进，人类知识愈来愈多的资讯爆炸，也是很难避免。 b. 会用就好vs.了解原理 例如求scikit-learn会用，就书翻一翻换换machine learners就可以了， 不用讲hierarchical clustering、KNN、K-medoids、SVM的演算法概念。 例如求Keras会用，其实去YouTube看莫烦的教学影片就可以了，不用介绍 universal approximation theorem 和 basis functions 的观念。 前者教法比较讨喜我知道，但我选後者因为各位可以走得比较长远。 c. 一般内容vs.独门心法 一般内容就是讲一些其他人/书/影片也会覆盖的内容，独门心法类似像 怎麽追 http requests/responses 来反「反爬虫」与 打散 ML pipelines。 这边的挣扎就是不多教独门心法/内功可以比较快，但就有点可惜。 2. 关於"关於心理与神经资讯学的部分，比重相较於程式的东西来说真的不太多"。 a. 这个领域，缺的不是很酷的论文/研究，缺的是这些研究怎麽做出来的技术细节。 这门课希望让初心者有 minimal working examples 可以解决眼高手低的问题。 这也是为何课程比较注重技术，而我也花了大把的时间做 Jupyter Notebooks。 这些技术都是实际上被用到的，例如 Neurosynth 用到了爬虫技术、 网页前後端的技术、影像处理、及机器学习。 b. 和心理实验法的差异是，心实教 Orange 比较好吸收但 Python 比较 general-purpose，之後可以走得比较长远。 c. 全世界没有几门 psychoinformatics 的课，大家可以比较看看， 或许有教得比较好的课 (或许没有XD)。 3. 2021年因为研究/教学/服务/产学/家庭负担都有点激烈，伤了元气。 新的一学期决定进入养生 (aka 财富自由/提早退休) 模式。 下学期比较复原後，再继续服务各位同学！ 希望届时疫情退散，我也能呈现出更好的自己 & 课程给大家～ :) Tren --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 123.194.123.4 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1642549330.A.130.html