※ 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://webptt.com/m.aspx?n=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！ --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.184.4.151 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/NTUcourse/M.1561474341.A.0CE.html ※ 編輯: kevin1ptt (111.184.4.151 臺灣), 07/10/2019 22:43:11