課程資料
15-780 - Graduate Artificial Intelligence
開課：J. Zico Kolter, Nihar B. Shah
修課年度：2019 Spring
這個課程主要是介紹 AI 領域，並挑選一些有趣的主題深入探討。因為其他的課也有像是機器學習之類的深入內容，所以這門課特別挑了一些比較不同的主題來介紹。
課程的開頭先從基本的 search 教起，並介紹了 A star 搜尋演算法。之後開始深入介紹一些 optimization 課題，包含 convex optimization 的觀念、Linear Programming 以及 Integer Programming。在那之後進入一般的 Machine Learning、Deep Learning 以及 Learning Theory。接下來則介紹了一些 Probabilistic Modeling 的概念，像是 MCMC，以及 Adversarial attacks。
後半部課程則深入講了許多 Game Theory 的概念，是筆者先前比較少了解的。此外也探討了一些 Social Choice 的課題，像是投票制度的數學性質等等。最後則稍微帶過了使用機器學習時要如何保持公平性的議題。
上課方式
兩名講者的講課方式稍有不同，第一位主要是用簡報講解，第二位則是使用黑板講解。上課的時候會有隨機小測驗，不管答對與否都能得分，以作為點名之用。
比較特別的是這堂課採用了一個叫做 Diderot 的系統作為繳交作業和討論的平台，而非使用較為常見的 Piazza 或者 Canvas。
考試作業
考試的部份除了平常的小測驗以外，還有一次期中考和一次期末考。難度感覺比機器學習簡單，不過也是有一定難度。考前會公佈考古題，但題目其實都不太一樣。考試是閉卷考，所以不能參考資料。
主要的作業有四個，還有一個團體期末 project。
作業的部份也是主要證明解題，加上一些程式題。證明題的部份比機器學習簡單,程式題的部份比機器學習難一些，但基本上不算複雜。
分組的期末專題可以自選任何主題，但需要與課程內容相關。需要繳交一開始的 proposal，期中報告，期末報告，和錄製 4 分鐘的報告影片。值得注意的是專題的佔分還滿高的(30%)，期中期末考加起來只有 20%。
結語
整體而言感覺是學到許多有趣東西的課，作業的部份難度適中，寫起來還算有成就感，也不至於花去太多時間，給分也相當不錯。對筆者來說比較新鮮的部份是 Game Theory 和 Social Choice 之類的主題，還有像是 optimazation 的部份也學了不少。或許可為未來進修進階 Convex Optimization 課程打好基礎。筆者覺得算是值得一修的課。
