乳題，想分享自己修過的一些課程和評價(課程難易、作業/考試、收穫程度、整體推薦)
======================
114 上學期
======================
[電機所] 機器學習 詹寶珠老師
評價:
課程難易: 🌕🌕🌕🌑🌑
作業考試: 🌕🌕🌕🌕🌑
收穫程度: 🌕🌕🌕🌑🌑
整體推薦: 🌕🌕🌕🌑🌑
說明:
課程比較偏向有一定基礎的人來修，自己當時在修課時，是有先自行看過台大李宏毅的機器學習，所以對課程可能用到的知識算是有一定了解，不然如果沒任何基礎去聽課，很容易聽不太懂。作業考試部分我認為不算太輕鬆，考試的部分還可以，作業除了final project需要找組員做專案比較麻煩, 其餘都算好處理(1手寫計算神經網路Back Propagation(用到微積分Chain Rule) + 1 Kaggle專案 + 1 LLM相關作業)，另外考試部分只有一次期中考，當時期中考考前老師人很好，還會有考前重點提示，最後考試也真的有考出來，大部分偏向觀念申論題，會有一次的論文報告(通常報告只需著重在交代研究背景、遇到的問題、提出什麼方法)，整體給分算甜(作業+專案)
[電機所]人工智慧模型設計與應用 蔡家齊老師
評價:
課程難易: 🌕🌕🌕🌑🌑
作業考試: 🌕🌕🌕🌕🌑
收穫程度: 🌕🌕🌕🌕🌕
整體推薦: 🌕🌕🌕🌕🌑
說明:
這門課主要教「模型壓縮」，後來我是在修了其他課並做專案才發現這門課教的東西都很實用，特別是未來想將模型部署在特定裝置上就可能會用到這一些技術，而通常這門課會用來銜接下學期的AI加速器課程(同樣一位老師授課，通常該門課適合有撰寫過硬體描述語言者修課)
課程作業比較多，授課內容偏理論和數學，老實說上課很容易聽到睡著，但真正這門課精華的是作業的部分，好好搞懂作業講義內容和實作，真的會有幫助。考試20%是期末考的樣子，印象中考題出選擇但會玩倒扣，可以開書考，內容都是從老師上課的所有講義+助教撰寫的HackMD文件去命題，40%在作業，40%是Final Project(專案給分準則: AI模型結合模型壓縮技術)。
[電機所] 電腦視覺深度學習實作與應用 江維鈞老師
課程難易: 🌕🌕🌕🌕🌕
作業考試: 🌕🌕🌕🌕🌕
收穫程度: 🌕🌕🌑🌑🌑
整體推薦: 🌕🌕🌕🌑🌑
說明:
4次作業+1個期中專案(老師指定Image Classification小專案 + 自行找Kaggle 影像相關的AI小專案)+1個期末專案(RL遊戲有關的)，授課內容就是DeepLearning相關的內容(適合沒基礎的人)，給分幾乎都90 up，作業都是那種小小的隨堂小作業
[資安碩士學程] AI應用之攻擊與防禦 莊宜勲老師
課程難易: 🌕🌕🌕🌑🌑
作業考試: 🌕🌕🌕🌑🌑
收穫程度: 🌕🌕🌕🌑🌑
整體推薦: 🌕🌕🌑🌑🌑
說明:
課程偏向AI結合資訊安全，課程前半部分會先教資訊安全(作業系統上學到的去延伸)，然後一次期中考20%(可開書)，課程後半部分主要在教AI模型相關的資安(包含模型被投毒、萃取攻擊...等)，一次期末考30%(可開書)，印象中考試都全申論題，一次AI模型資安論文報告佔30%，原本有20%期末專案實作，後來一些課程規劃因素被併入論文報告(變50%)，對資安有興趣的人可以考慮修課，但給分不太甜。
======================
114 下學期
======================
[電機所 ] 強化學習演算法與應用 郭秉寰老師
課程難易: 🌕🌕🌕🌕🌑
作業考試: 🌕🌕🌕🌑🌑
收穫程度: 🌕🌕🌕🌑🌑
整體推薦: 🌕🌕🌕🌑🌑
評分準則
說明:
這門課我修完，感覺老師特別偏好主題是做機械手臂結合RL專題(老師本身是控制組師資)或遊戲結合RL專題的主題，對於不同領域想結合RL的主題專案，相較之下似乎可能不是那麼顯眼，當時在期末專案提案階段有被打槍過，所以讓我印象不太好，因為根據課程並沒有特別看到在主題領域的限定。論文報告，6分鐘很緊湊，若能分成兩梯次報告，時間會較為充裕，我的組員也認為時間太短。至於期末報告，我身邊的同學有一些原本有選課而後來都棄選(原因是專案報告要整理成IEEE格式)，不過我認為現在AI Agent很方便，在整理方面沒遇到什麼太大問題，比較需要花時間找期末專案提案的對應論文和實作下去修改再整理符合期末的電子報告書要求+拍Demo影片比較花時間和麻煩，給分上還可以接受(大部分人85分上下浮動)
[電機所] 人工智慧於數位訊號分析之應用 江維鈞老師
課程難易: 🌕🌕🌕🌑🌑
作業考試: 🌕🌕🌑🌑🌑
收穫程度: 🌕🌕🌕🌕🌑
整體推薦: 🌕🌕🌕🌑🌑
說明:
這堂課有別於上學期開的課，偏向需要花費心思的一門專案實作課，這學期總共4個專案(每個專案各25%, 而這25%裡面, 程式碼和PPT Demo報告又各佔50%)，而這4個專案完全沒有連貫性，唯一的共通點會叫你在NVIDIA Jetson Xavier NX之邊緣裝置上部署你的模型跑推論，並在指定上課日進行專案Demo，老師也會根據PPT的報告問問題進行評分，而部署在邊緣AI上的模型推論能否乖乖Demo，很大程度取決於你專案用的技術(包含說有沒有使用邊緣AI內建的TensorRT工具，有無使用模型壓縮技術...等)，最後專案程式碼上繳，需要再自行打包Docker Image，最後4個專案給分算甜(都90 up)，也算有收穫的一堂課，缺點部分除前面講的專案之間沒有連貫，專案在時程安排上似乎有一點緊湊，常常Demo日完，很快就需要再做專案，每個專案的工作量其實都不是那麼輕鬆。