※ 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）：是 哪一学年度修课：107-2 ψ 授课教师 (若为多人合授请写开课教师，以方便收录) 李彦寰 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) 资工所 δ 课程大概内容 课程网页（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 私心推荐指数(以五分计) ★★★★★ 喜欢（非常理论的）数学，对统计、微积分、线代算熟：★★★★★ 想要写程式，不喜欢读/写证明：★ η 上课用书(影印讲义或是指定教科书) 基本上是老师的讲义，有兴趣的话可以搭配一些相关论文看 （我自己这学期只有看三四篇上下，不包含final project的话） 另外大致上可以参考同名的这本书： Prediction, Learning, and Games, by N. Cesa-Bianchi and G. Lugosi μ 上课方式(投影片、团体讨论、老师教学风格) 基本上是投影片讲解，偶尔会用黑板补充一些细节。 老师不太会把所有细节都写在投影片上， （尤其是上到最後时，很多东西都是我们之前证过所以直接用） 所以上课基本上不太能分神，不然可能一下子就看不懂前一步是为什麽。 不过基本上定理的直观意义和证明的主要思路都会写好（或是上课讲）， 所以上课没听懂也没下课问的话其实自己回家看也是可以。 老师人很好，上课或下课都可以随时问问题或闲聊， 有时候下课甚至会主动跑来听学生在聊什麽，顺便加入话题XD σ 评分方式(给分甜吗？是紮实分？) 4次手写作业取高的3次，各13.33% => 40% 期中考 => 20% Final project (报告 + report) => 40% 个人是作业分数全拿，期中考94，final project 90，最後 A+。 （好像没有调分，就直接用算完的成绩换算等第） ρ 考题型式、作业方式 考题和作业的形式很像，都是好几个大题，每个大题会有2～6小题。 通常一个大题最後都会推出一个上课没讲到、但满相关的结果， 而且都是老师自己设计的原汁原味题目！ 有些可能是需要一些线代、机率的知识， 有些是用上课的内容、证明技巧或结果去延伸等等。 个人是觉得难度控制不错，很有监别度（尤其是期中考XD）。 Final project 基本上是分组做一个小主题的 survey， 准备一个最多半小时的报告，以及一个不超过12页的 report。 如果早点开始准备的话应该不会太麻烦， 不过我们太晚决定题目，导致最後做得有点赶。 建议可以早点和老师讨论题目的方向或可行性，可以获得一些建议。 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？ 加签习惯？严禁迟到等…) 本来人就不多，老师也不管出席。 要修的话大概就是对一些机率、线代、微积分等等要有一定的熟练度会比较自在 （以老师的口吻来说是 math maturity） 因为人不多（劝退力道很够）所以应该是全签，旁听也是OK。 Ψ 总结 应该算是资讯系少数的数学课（和少数做理论的老师）， 因为上学期没修到最佳化演算法 （见https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1547834570.A.B57.html） 觉得遗憾，就来修修看这个虐待自己。 整体来说算是对 (online) ML 的理论部分开了眼界，非常醍醐灌顶， 可惜最後好像有些老师满想讲的主题没时间讲完。 下学期也欢迎捧场老师第二次开最佳化演算法！ --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 111.184.4.151 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/NTUcourse/M.1561474341.A.0CE.html ※ 编辑: kevin1ptt (111.184.4.151 台湾), 07/10/2019 22:43:11