※ 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/ --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.200.68.126 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/NTUcourse/M.1736313390.A.10E.html ※ 編輯: Kennyfs (1.200.68.126 臺灣), 01/08/2025 13:18:09