※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID） （是／否／其他条件）： 其他条件，之後会放在blog，要注明ID及 blog https://kennyfs.github.io 哪一学年度修课： 113-1 ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 林轩田 λ 开课系所与授课对象 (是否为必修或通识课 / 内容是否与某些背景相关) 资工系选修，需要微分、线性代数的基础知识，基本上就是HW0的内容 δ 课程大概内容 主要是经典的ML技术，很红的DL比较少提及。要修课的人要注意内容是否是你想要的。可以 到这里听教授的解释 https://youtu.be/ucD1pCEjSOI?t=5171。 简单来说，这门课教的是基础，DL等也是建立在这个基础之上。有些使用情境其实用不到DL ，可能是因为资料太少，所以经典的技术还是值得学习。 Ω 私心推荐指数(以五分计) ★★★★★ ★★★★☆ η 上课用书(影印讲义或是指定教科书) Learning from Data, by Yaser Abu-Mostafa, Malik Magdon-Ismail and Hsuan-Tien Lin 教授很久以前写的书，与上课内容高度相关，听不懂的话可以看一下书。 μ 上课方式(投影片、团体讨论、老师教学风格) 投影片，鼓励发问但没什麽人发问 σ 评分方式(给分甜吗？是紮实分？) HW0 40分，其他7次作业每次200分（有加分题），再加上project 800分，加总後，加上七 次作业中0.5× (最高-最低)，算完分数後黑箱切分数，大致上98% A+，90% A，86% A-。不? 麽甜，可参考final project平均：竞赛48%、report 63%。之後或许会补A+率。 很紮实。 ρ 考题型式、作业方式 没有考试，作业有一些选择题、手写(实际上用LaTeX比较方便)、需要写程式实验的题目。l oading算中等偏高，但也不至於卡很久，通常两三天就能写完，有些问题甚至简单到ChatGP T-4o就能解决。 final project占总分35%左右，而report是竞赛分数的9倍，所以重要的是report要写出好 的东西，但真的有点困难。 ω 其它(是否注重出席率？如果为外系选修，需先有什麽基础较好吗？老师个性？ 不点名 加签习惯？严禁迟到等…) 台大全签 Ψ 总结 教授一开始就说了四个别选这堂课的理由，也确实这门课不会让你马上就学到最夯的神经网 路、DL，所以修之前要想清楚到底是不是你想学的内容，网页上都有简报和录影，可以先看 一下再决定。 https://www.csie.ntu.edu.tw/~htlin/course/ml24fall/ --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 1.200.68.126 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1736313390.A.10E.html ※ 编辑: Kennyfs (1.200.68.126 台湾), 01/08/2025 13:18:09