推 CHuanAli: 推YYC 01/31 09:39
推 frankshyu: 推Morris大01/31 13:43
推 ntucorner: 推推 借轉course版 02/01 00:05
推 tigerya: 因為所有人分數過高 所以分數是調低 減少到30%人A+ 原始02/20 02:05
→ tigerya: 分數90以上不少人拿到A02/20 02:05
※ 編輯: Rubb9diaw (111.71.116.104), 03/31/2017 15:57:29
※ 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：
105-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
李宏毅
δ 課程大概內容
Gradient Descent
Linear Regression(HW1)
Logistic Regression(HW2)
Backpropogation
NN,CNN(HW3)
Semi-supervised Learning(HW3)
Unsupervised Learning(HW4)
Transfer Learning
Structure Learning
Deep Reinforcement Learning
Ω 私心推薦指數(以五分計) ★★★★★
★★★★+0.5
η 上課用書(影印講義或是指定教科書)
老師投影片＋參考資料
μ 上課方式(投影片、團體討論、老師教學風格)
用投影片上課，有幾次是請人來演講。
個人認為老師講解的很清晰，也會拿一些語音上或是影像上的舉例，但
個
σ 評分方式(給分甜嗎？是紮實分？)
作業 40% (一共四份，都是用Kaggle競賽的方式做排名，作業有時候會
有
final project 60% (一樣有一些Bonus)
最後學期總成績應該是會最高分超過100，聽說最後分數還有做微調，
調?
個人覺得扎實偏甜
ρ 考題型式、作業方式
四個作業分別實作Linear Regression, Logistic Regression, CNN, U
ns
像我寫程式比較弱的就花滿多時間的，前面兩份作業都是要自己手寫不
能
後面兩份作業是可以用套件的，本人就用了Keras和sklearn，基本上丟
進
每份作業都會寫一份報告，報告的問題助教都會規定，基本上照著做，
該
最後final project就是有三個Kaggle上的題目，可以三個都同時做，
最?
像我這組三個人，除了我以外兩個都是大腿，其中一人就讓我們第一題
直
但final project是真的需要花點時間的
期末最後一堂課老師會請三個題目的前5%組別上台Demo，就看得出來有
些
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…)
今年加簽是大家先回去寫HW0，滿基礎的就是看會不會用Python，兩題
一?
但最後人真的太多了，老師好像只簽電資學院的人，還是有將近240名
學?
Ψ 總結
這門課不失為一門好課，可以對機器學習有了解，也可以大略知道在不
同
作業方面也很注重實作，會真的寫個程式，然後花不少時間去跑去做實
驗
助教的話每個都很厲害也很負責，畢竟改作業要重跑大家的code，有時
候
但比較可惜的一樣就是數學的部分，會比較沒有深入的下去講，但還是
會
相較於隔壁林軒田老師的機器學習，這邊應該比較重實作，另一邊可能
比
個人認為都可以根據自己的需求，選自己想修的那種機器學習這樣。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.227.182.64
※ 文章網址: https://www.ptt.cc/bbs/EE_Comment/M.1485801213.A.EF1.html