資料網路

人工智慧與機器學習導論

• 開課教授：于天立

• 推薦預先修習的課程：離散數學、資料結構、演算法（不過知道big O那些，基本tree那些知道就好了吧）

• 課程小卦：

  • 這門課上半學期教的偏重人工智慧，下半學期教的偏重機器學習，老師教得蠻好的，雖然是導論課，不過有蠻多數學的架構，講解人工智慧與機器學習最基礎的數學原理，對於人工智慧和機器學習是會有些概念的。不過後半學期機器學習的課，感覺因為機器學習有很多最新多樣的技術，但限於時間的關係，而且我覺得老師想講的很多有點雜，所以老師並沒有講得很細，如果對這些很有興趣的話，還是去修其他跟機器學習相關的課程吧。這門課是老師第一次開課，也許之後還會有調整吧。作業的部分有5次作業，1次project，作業是Berkeley他們小精靈的project，就直接拿來當作我們的作業，有search, multiagent, inference, reinforcement learning, classification基本上就是AI的各樣技術最基本的架構叫你實作一次演算法，project的部分是一個classification的project，可以使用套件，調參數，基本上要完成project不難，但要做得好可能需要一點運氣，調到好的參數。考試有期中和期末考，都可以攜帶一張A4正反頁大抄，我覺得都蠻難的，可能我資質不佳吧QQ。整體來講是一門好課，會學到相當多東西，有蠻多數學和一些最基礎理論的部分，跟李弘毅教授的機器學習不太有重複的地方，而且是開在大學部的課。不過因為作業好多次，而且都要寫蠻久一陣子，期中考後，有好多人停修，老師好像很難過，都一直跟大家說如果課程有什麼要改進的地方可以跟他說。loading不算是輕鬆的選修課，所以如果loading真的已經很重的話，就要考慮一下了。

  • 因為作業成績大家都差不多滿分，感覺（？）最後評分都靠考試。考試真的都滿有深度的，覺得認真上課、期中考前有認真讀，應該是不會太差，若有遺漏的部份可以聽Coursera或再去問老師。課程相關與建議原PO已經很詳細了，老師第一次嘗試ML教學，的確有所不足的部份，之後要修的同學可以再觀察看看，但AI部份老師教的很清楚，同時也可以考慮看看資工的『對局理論』、『人工智慧』

  • 老師上的很棒，但是以一堂導論課來說，我覺得考題不是很棒。考試不會太差的原因是因為助教給分的很鬆，我期中考裸考幾乎都不會還有一半以上的分數，但看一看考卷還真的沒有一題寫對的....。考試的內容基本都是上課內容延伸而已，但是因為上課有些內容實在是帶得太過簡略和快速了，覺得其實要通有點困難。而且考題也沒有作業什麼的可以參考長怎樣，所以基本上就是考試那三個小時有五題新題目給你狂想，不喜歡一直連續一直動腦的，可能會很吃力。如果是對作業有興趣，其實大家可以上網找一下Berkeley的作業就好，其實有時候內容和上課的沒有太大的關係(大概有2/3會有關但其實可以上網找影片看一下就好)。"loading真的蠻重的"要修要慎重考慮一下。

  • 大推老師，雖然loading算蠻重的(平均兩個禮拜一次作業)，但是算是系上我蠻喜歡的選修課之一，學完會對AI有基礎的認識。Btw，大推大家Coursera上老師的「人工智慧」，因為我有時候會睡過頭QQ，所以期中期末之前都會上去惡補一下，感覺老師在錄製課程的時候講的還蠻詳細的，而且也有quiz可以做，我期中考前有去練習，裡面有考到alpha-beta purning的展開，期中考也有考，感覺蠻賺的XD 如果大家念完想寫題目的話也可以去上面練習。 記得老師以前都是把這堂課開在研究所，而且課名是「人工智慧」，但今年改開在大學部，課名也更改為「人工智慧與機器學習導論」，因此期中考以後講蠻多最近正夯的ML，整學期下來內容頗多、節奏蠻快的，小弟我資質駑鈍消化不是很良好QQ。 此外，老師課程這樣規劃可能有他的用意，但我自己是因為對AI比較有興趣所以才來修的XD 不知道老師有沒有意願多講一些AI、減少ML的比重，畢竟系上也有老師開ML了(?)，後面這部分單純是我自己的心得和murmurXD

  • 我自己是覺得學不太到東西啦，不是因為太淺，是因為太深又上太快考試又太難了，沒有花時間好好去了解各個主題，應該是學不太到東西一堂師父領進門，修行在個人的課然後.....好啦 最後一次作業，因為deadline跟基石衝，有一題抄襲code被抓了感覺老師真的蠻在意大家沒用心寫真的有點難過，覺得有點對不起老師(恩，為毛我每次抄襲都被抓，抄兩次被抓兩次 只是信號Matlab那次真的很賭爛，那code覺得根本不算抄襲，20%一樣你也算抄襲，啊就call library大家都長一樣齁)

機器學習

• 開課教授：李宏毅

• 課程小卦：

  • Youtube教學影片真的出神入化非常精美仔細深入淺出，輕鬆帶你進入Fintech，上課還可以聆聽各種業界達人高端前端演講示範，輕鬆成為大數據時代達人，好了工商完畢。

    六個作業+final真的滿重，不過這門課好像要換模式了而且也不會再收400人了....人真的多= =辛苦助教，其實呢寫程式不會太難，看完網路的教學影片懂原理、花點時間摸套件就可，時間很多花在不知道為什麼train不動，正確率不夠高等等，其實考慮實際應用都只差一點點啦= = 正確率81.5% 跟81.8% 大家覺得差很多嗎？在這門課，絕對差很多XDDD如果堅持要自己想出來完全不去問人會滿花時間的，我是自己想啦，可能我智商不夠，所以常常掛在那邊不知道為什麼train不起來，如果可以，盡早開始寫報告不然寫報告當天真的會寫不完，另外就是各種都市傳說可以幫助高速破關，依照我這個學期的忙碌程度其實應該要多聽聽傳說的，沒聽的下場就像我這樣.....有些作業花了快一百小時 別人靠著傳說或是靠網路code 五個小時就超越我了.... 補充一個，沒有GPU就先去買一個1080Ti或是想辦法搞一個可以用的工作站，越多顆GPU越好，這是重點!!!!

機器學習及其深層與結構化

• 開課教授：李宏毅+陳縕儂

• 推薦預先修習的課程：機器學習

• 課程小卦：

  • 不反串了，這個學期這堂課基本上被玩爛了。怎麼說呢，1.因為vivian要求上學期本來是4個人一組，這學期變1個人1組。理應作業難度要調降啊，結果一樣跟上學期差不多，結果就是大家都爆肝，尤其是RL的作業，根本瘋掉，要train 10幾個model去做圖，每個都要train 12個小時以上。2. 互評制度被玩爛了，排名佔了一堆的分數，結果居然是用互評的，互評不打緊，可怕的是兩個人output一樣的結果，被互評的分數可以差到快2分。3.學期初不知道在幹嘛，vivian上一堆跟ML重複的東西，旁聽生把整個教室佔滿，第一個月過去也沒作業，然後後面就爆了，作業全部塞在一起。看一看final project的報告，大家寫的速度基本上都比作業還快吧。建議等下學期確定要分組還個人再決定要不要修，不然真的很傷肝。

  • 感謝同學們的建議，這學期讓大家有這麼多抱怨，沒讓大家滿意，真的是非常抱歉。以下答覆同學們的建議：1. 下學期會改回分組。2. 下學期不再採用互評的方式給分，我會想出客觀的方法來衡量同學們的成果。3. 下學期我會上所有的課，內容將不會與機器學習這門課講過的內容重疊。李宏毅 敬上

  • 整體品質覺得還是佳的，但真的loading太重，重到會吐血，尤其是我對report有莫名的執著，但report分數還莫名的很少開學的時候教的東西太簡單，都是ML的東西，也都沒有作業，荒廢一個月，然後作業瞬間砸下來但後半學期大推啊，宏毅哥講了一堆潮爆的網路、training tips，省了超多看paper的時間～喔然後真的太多奇怪的人來湊熱鬧，不會寫程式啊、不會裝linux啊、沒有gpu啊拜託，左轉程式設計，這堂課沒有人要教你怎麼寫程式rrrrr下學期改回組隊了，大家可以考慮個，loading應該不會到太重，但可以學到東西

演算法

• 開課教授：王鈺強

• 課程小卦：

  • 這學期是老師第一次在電機系開課，但整體而言上得挺不錯的，速度適中，如果有講不清楚的地方也會在下次上課的時後重講一次，講課內容大致上和一般的演算法課相去不遠(bigO,D&C,DP,greedy,graph,NP-complete等等)。作業方面這學期一共四次作業，每次都有手寫和程式作業兩部分，程式部分使用python3，基本上每次都是手寫作業難度大於程式作業，程式作業往往只是將上課教得某個演算法實作出來。最後一兩次作業會有Bonus題，有的是單獨一題，有的是和所有人比performance。大考感覺上都偏難可是會調分，如果有好好讀不手滑應該不用太擔心。整體而言是一門各方面都算挺適中的好課。

  • 其實應該是門好課，不過我可能智商太不夠，期中期末都考不高

    ，只剛好在平均，所以最後只有A-，聽說是調分調蠻多的。不過

    老師上課的ppt內容寫的比較像講故事，所以其實因為字很多，

    個人覺得很難邊上課邊消化，都是課後啃ppt，下周上課老師會

    複習的時候再把不懂的地方補齊

  • 這學期是這位教授第一次開課，所以略略覺得他對少部分的上課內容有點不熟悉，不過教授自己也知道自己哪個部份前一次上課講得不太清楚，所以第二次上課時就會針對沒講清楚的部分做補充，我覺得這個教授很認真。而且他年輕有朝氣，努力想認識同學。上課的時候，會花一點時間講演算法複雜的證明邏輯，但是作業以及大考都不會考到（讓我覺得逃過一劫）。這門課的作業不簡單，分成手寫以及程式題，手寫較難。一次作業會給兩週時間讓你完成，時間充裕，但是通常都必須花一整個週末的時間火力全開才能把作業寫得比較完美，整體來說寫作業需要花相當的時間成本。大考可以帶A4單面大抄，但是通常沒用，因為演算法的大考比較趨近於考你的臨場反應（或者說是智商吧QQ），會出一些情境題，你想得出演算法解決這個問題就開心拿整題分數，但是想不出來的話就......。筆者兩次大考的原始分數都不及格，但是調分之後都有80左右，所以就知道大家都考很慘以及調分公式的寬容程度了......。整體來說我覺得門課不錯，而且老師累積多一點教學經驗後，想必會讓這門課更加精彩，所以很推學弟妹可以試試看王老師的演算法。

資料結構

• 開課教授：吳沛遠

• 課程小卦：

  • 同樣也是這學期來的新老師，不過感覺上因為教學經驗比較不足，所以課程難度和進度掌握的不算太好，有時候會有這禮拜的內容很簡單，下禮拜突然變超難的情況，不過感覺得出來期中以後有比較進入狀況。作業一共有六次，每次都有手寫&程式(python3)，基本上難度不算太高，但因為手寫deadline只有一個禮拜所以有時候有點麻煩。整個課程來說cover了蠻多種資料結構的，只是老師很重視複雜度的證明，所以可能會覺得聽完三堂課怎麼好像都在證明，但是對於一些比較困難的資料結構如果聽懂的話算是很有幫助。課程上比較不會提這些結構要如何使用是這門課比較可惜的地方。期中期末基本上不算太難而且會延長考試時間，超級佛心。整體來說如果你喜歡K各種資料結構跟證明，那去聽課才會比較有感覺，不然的話或許會覺得不太知道這門課在幹嘛。

基因遺傳演算法

• 開課教授：于天立

• 課程小卦：

  • 兩個作業+期中期末考+期末報告。作業要寫一點點程式，內容算是驗證、實作上課提到的幾個概念。期中考期末考都是申論題，考題基本上都是要求學生進一步探討上課提到的概念。期末報告原則上兩人一組，上課後再找組員，題目自選，跟演化式計算有關就行(不一定要是GA)。 沒有課本，不過有兩三本參考書。以投影片為綱要，用板書講解，有些推導過程有放到投影片有的沒有。教授上課時會常常提到這篇那篇論文發表的時間順序與論文之間的參考關係，是不會考啦，不過可能可以用來記住不同理論建立的基礎。上課時觀念都講的滿清楚的，聽不懂直接問老師會換個方式說。分數不難拿，有聽課有思考就拿得到，考前老師會整理一遍半個學期教了什麼，還會列一些出題方向讓大家參考。

電腦網路導論

• 開課教授：林宗男

• 課程小卦：

  • 覺得反正大部分的課我都是自己看課本或是問同學就解決了的心態，雖然是有名的林哥哥教課，我還是毅然決然地修下去了，果然不負眾望的雷，上課早九，不准吃早餐，直接導致我無數次的翹課，好幾次都已經爬起來到了學校由於肚子餓去吃東西就再也沒過去了......真的坐進去上課，就要忍受很台的腔調+很台的英文+催眠的口吻+很無聊連乾笑都不想的笑話.....每次他想講一些有趣的就全場僵掉，只有一位澳門哥比較挺他XD 不過也有某些優點啦，只要做期末專題期中期末就可以把70%帶回家寫，即便平常都沒上課也沒讀書，這個寫考卷過程也是有學到不少知識啦，期末做的東西教授竟然聽得津津有味，不過最後還是沒給A+，我覺得應該是他覺得我太面生了XDD一共也只有20個人左右XDD