[自然語言處理](https://app.notion.com/p/3e6fc631b03081b4a9e8f91f3411f61f) › [W1（9/10）](https://app.notion.com/p/3e7fc631b0308199953aef38ee86b0ae) › 04｜影片 [0:48:49–1:13:25](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=2929s)｜投影片 Syllabus p.43–51｜上一章 [03 NLP 層次、語言模型與發展史（0:34–0:48）](https://app.notion.com/p/3e7fc631b03081f5bf0bf5126d7f9472)｜下一章 [05 預訓練模型改變 NLP 做法（1:13–1:35）](https://app.notion.com/p/3e7fc631b03081c69424e055b260badc)
## 重點
- 成績只有兩塊：4 份作業 75%，加上 W14 一場實體考試 25%，期末專題取消了。考試是手寫、斷網、閉書，以概念題為主，不考背模型或公式。
- 加考試的原因是作業心得看得出 AI 代寫。老師要你「跟 AI 同步成長」，作業的討論要寫出你自己的 insight（自己看出來的道理）。
- 作業資料量會壓到個人電腦或免費 Colab 額度跑得動。不點名、沒有考古題，考題要寫程式時可以寫 pseudo code（用接近白話的步驟寫程式邏輯）。
## Exam-ready
- **In this course**: "NLP issues in LLM era"（Syllabus p.43）
- 中文：課程最後一段會談「LLM 時代的 NLP 議題」，投影片底下列的是 Reasoning（推理）和 Agentic AI（會自己規劃、動手做事的 AI）。白話：這門課會一路講到現在最新的 LLM 趨勢。難字：era（時代）、issues（議題）。
- **Not included**: "Prompt usage"（Syllabus p.43）
- 中文：這門課不教怎麼下 prompt（給 AI 的指令）。同一頁「不包含」的還有 Speech（語音）、Develop new models（設計新模型）、Solve GAI problems（解決生成式 AI 本身的問題）。白話：想學怎麼跟 ChatGPT 講話、或想學語音，要去別的課。難字：usage（用法）、included（包含在內）。
- **Assignments 75 %**: "4 assignments for each student"（Syllabus p.45）
- 中文：作業占總成績 75%，每位學生要交 4 份；投影片下一行寫 Coding needed，作業要寫程式。白話：作業是成績大宗，一份都不能漏。難字：assignment（作業）。
- **Assignment credits**: "Their credits will also be slightly changed (-3%~+3%)"（Syllabus p.45）
- 中文：每份作業的配分會依難度和工作量微調，上下大約 3%。白話：75% 不會剛好平分成四等份，難的作業分數多一點。難字：credits（配分）、slightly（稍微）。
- **Midterm Exam 25 %**: "Midterm Exam 25 % (week 14, Tentative date)"（Syllabus p.45）
- 中文：考試占 25%，暫定在第 14 週。老師口頭叫它「期末考」，投影片寫 Midterm Exam（期中考），其實是同一場。白話：W14 那週要空出來。難字：tentative（暫定的）、midterm（期中）。
- **In-person exam**: "The exam will be held in person."（Syllabus p.45）【老師強調】(1:01:18)
- 中文：考試是實體考，本人要到考場。老師補充：用手寫、斷網、不能 open book（翻書）。白話：這場考試只能靠你腦袋裡的東西。難字：in person（親自、實體）、held（舉行）。
- **X-class**: "This course is X-class in NTHU, you can enroll other courses with the same time slots in NTHU."（Syllabus p.45）
- 中文：這門課在清大是 X-class，清大學生可以在同一個時段再選別的課。白話：上課時間跟別的課撞也可以選，但 W14 考試那週一定要到場。難字：enroll（選修）、time slots（時段）。
- **Homework evaluation**: "Your Insight, not GPT insight"（Syllabus p.48）【老師強調】(0:55:41)
- 中文：作業的討論分析，要寫你自己的洞見，不是 GPT 給你的洞見。白話：可以用 AI 幫忙，但要自己做過實驗、看懂結果再寫。難字：insight（洞見）、evaluation（評分）。
## [0:48:49](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=2929s) 課程內容與助教課
這門課從基礎 NLP 一路講到今天的 LLM（大型語言模型）：先講傳統 NLP 和文字的機器學習，再講 RNN、LSTM 這類「一個字一個字讀」的序列模型，接著是 Transformer 和 LLM，今年再加上 reasoning 和 agent 的新趨勢。另外有大約 3–6 小時的助教課，教你用 Python 做 NLP、在 Hugging Face 上呼叫模型、用 RAG（先查資料再生成答案）的框架。語音、怎麼下 prompt、設計新模型都不教，那些是 AI 或生成式 AI 課程的範圍。
名詞補充（我補充）：RNN（循環神經網路）和 LSTM（RNN 的改良版，比較記得住長句子）都是「照順序一個字一個字讀」的模型，W8 才會細教。Transformer 是 ChatGPT 這類模型的骨架，它一次看整句，用 attention（注意力，讓模型自己決定哪些字彼此相關）找字和字的關係。LLM 就是把上一章講的語言模型（猜下一個字的模型）做到超大（第 1 週第 03 章學過：[03 NLP 層次、語言模型與發展史](https://app.notion.com/p/3e7fc631b03081f5bf0bf5126d7f9472)）。Hugging Face 是一個放現成模型的網站，像模型界的 App Store，下載就能用；Python 是寫 AI 程式最常用的程式語言。
用生活比喻：這像一趟從老街走到新市區的導覽，先看傳統 NLP 的老房子，一路走到 LLM 新大樓；語音和 prompt 技巧是別條街，這趟不去。
下面這張圖是整學期的路線（依 Syllabus p.44 課表整理）。
```mermaid
flowchart LR
A["基礎 NLP（W2–W3）"] --> B["文字機器學習（W4–W5）"]
B --> C["Python 助教課（W6–W7）"]
C --> D["RNN、Transformer（W8）"]
D --> E["BERT、GPT 家族與生成（W9–W10）"]
E --> F["LLM、PEFT、RAG（W11–W15）"]
F --> G["Reasoning、Agent（W16）"]
```
看圖要注意：W14 是考試週，所以 RAG 被拆成 W13 和 W15 兩段；投影片也註明課程內容可能小幅調整。
圖上名詞（我補充）：BERT、GPT 是兩大家族的預訓練模型（先讀過大量文字、學會語言的模型，下一章 05 會講）。fine-tune（微調）是拿預訓練好的模型，再用自己的資料多練一下，讓它專精某件事；PEFT 是只動一小部分參數的省力微調。Reasoning 是讓模型一步一步推理再回答，Agent 是讓模型自己規劃、呼叫工具把事情做完。
為什麼現在很少人用 RNN、LSTM，還要從它們教起？老師沒有細講理由。學長姐的心得（Syllabus p.50）寫得很清楚：先看懂 RNN 的問題（長句子會忘、不能平行運算），才會懂 Transformer 為什麼厲害（我補充）。
對你的影響：考試範圍就是上課教的內容，這張路線圖就是考試範圍。Slido 上助教另外回覆：會講 PEFT（LoRA，只調少量參數的微調方法），但不會講 RL（強化學習）。注意：課表 W11 列了 RLHF，老師在本週後段也說 RL 會提到、但不太會叫你們做，所以理解成概念帶過、不會有 RL 作業。
平台名詞（我補充）：Slido 是上課用的匿名提問網站，同學把問題打上去，老師或助教挑著回答；NTU COOL 是台大的線上課程平台，TAICA 課程的公告、直播、錄影、作業都放在這裡。
老師原話是什麼？
- 「但是我其實不會涵蓋到語音，也不會教你怎麼用 prompt」(0:50:08)
- 「其實到這邊後面其實就有一點有一點雜了，說真的因為他發展非常快」(0:50:41)
- 「觸發就是點一把火讓你們繼續學習這樣子」(0:51:00)
## [0:51:05](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=3065s) 今年為什麼加考試
老師發現有些作業心得寫得非常深入，但前面好像根本沒做這些實驗，看起來是 AI 代寫。老師說用 AI「也不是不行」，但希望你跟 AI 同步成長，所以今年多一場實體考試。考試範圍是上課教的內容，各校同一時間考。
注意：老師說不會叫你去記什麼模型、什麼公式（0:52:01），題目會再設計。
用生活比喻：像駕訓班，筆記可以請人幫你整理，但路考一定要自己開。
下面這張圖是老師決定加考試的來龍去脈。
```mermaid
flowchart TD
A["作業心得寫得很深入"] --> B["但前面好像沒做這些實驗"]
B --> C["看起來是 AI 代寫"]
C --> D["老師：要跟 AI 同步成長"]
D --> E["加一場實體考試（25%）"]
```
對你的影響：寫作業時自己跑實驗、自己看懂結果，考試就只是把你已經會的東西寫出來。
老師原話是什麼？
- 「講的東西好像前面也沒做這些實驗，他為什麼知道這些實驗呢」(0:51:35)
- 「那也不是不行但是我覺得你要跟 AI 同步成長」(0:51:42)
- 「當然不會叫你去記什麼模型什麼公式怎麼怎麼弄啊」(0:52:01)
## [0:52:14](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=3134s) 取消專題、作業 75％
成績只剩兩塊：4 份作業占 75%，一場考試占 25%，期末專題（term project）取消。原因是人太多，分組很花時間；組員彼此不認識，常到報告當天才發現有人從沒參與，很難判斷每個人的貢獻；而且第 4 份作業做完到專題只剩一個月，非常趕。考試排在 W14，老師刻意避開期末考週；清大用 X-class 選課的同學要確定那週能到場。
用生活比喻：分組報告最怕「搭便車」的組員，取消專題就是不再分組，大家各交各的作業。
下面是投影片的課表。深橘色那列是 W14 考試；左邊圖例的 Reporting（報告）被劃掉，應該就是取消專題留下的痕跡（我推測）。
[[IMG: C:\D槽\TAICA課程\_work\notes-v2\nlp-w1\img\syllabus_115_p044.png | Syllabus p.44 整學期課表：W14 是考試，圖例的 Reporting 被劃掉]]
圖上重點：這張是整學期的課表（Schedule），左欄 Week 是週次、中間 Topics 是主題。
- 左邊圖例四種顏色：Lecture（老師講課）、Tutorial（助教實作課，W6–W7 的 Python）、Reporting（報告，被劃掉）、Exam（考試，W14）。
- W2–W3 是 NLP 入門（vector space 向量空間、indexing 索引、parts of speech 詞性、phrase structure 句子結構、language model 語言模型）；W4–W5 是文字的基礎機器學習（text classification 文本分類、word embedding 把字變成一串數字）。
- W8–W10 是文字生成式 AI（GAI）：RNN、Sequence-to-sequence（一段文字進、一段文字出）、Attention（注意力機制）、Transformer，再到 BERT、GPT 家族，以及 Decoding Strategies（怎麼一個字一個字產生文字）和 Evaluation（怎麼評分生成的文字）。
- W11–W16 是大型語言模型：GPT-3、InstructGPT、RLHF（用人類回饋調教模型）、PEFT、RAG（Retrieval Augmented Generation，先查資料再生成），最後是 Reasoning（推理）／Agent（代理人）。
- 右下角英文：The course content is subject to minor adjustments（課程內容可能小幅調整）。
注意：老師口頭說「期末考」，投影片寫 Midterm Exam（week 14, tentative），兩個是同一場，排在 W14，不在期末考週。
老師原話是什麼？
- 「然後到報告那天才說這個組員從來沒有參與過」(0:52:35)
- 「很難去 judge 大家的貢獻」(0:53:12)
- 「我就儘量不要排在期末考週」(0:53:32)
## [0:53:45](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=3225s) 去年分數與作業批改
去年成績中位數接近 80，老師說作業難度「中偏低」，因為有不少跨領域的同學來修。分數最低那群多半是有作業沒交的人：只有 4 份作業，少交一份分數就掉很多。作業由人工助教和 AI 一起改，助教會進去看，AI 幫忙看程式；分成「程式與結果」和「討論」兩部分評分（Syllabus p.48）。以前大家反映評分標準不清楚，今年會寫清楚。作業的討論可以跟 AI 協作，但重點是你自己的 insight：AI 提出的想法，最好回頭補做實驗驗證。
用生活比喻：4 份作業各占將近兩成，少交一份就像考卷空了一整大題。
下面這張是去年的成績分布。左圖是分數，右圖是換成等第後的人數；A- 以上加起來 231 人，大約是有效成績 475 人的一半（我從圖上數字算的）。
[[IMG: C:\D槽\TAICA課程\_work\notes-v2\nlp-w1\img\syllabus_115_p046.png | Syllabus p.46 2025 年成績分布：中位數 79.70、平均 76.60，最左邊多半是沒交作業的人]]
圖上重點：標題 Grade in 2025 是「2025 年的成績」，這張圖在講去年大家考得怎樣、低分的人從哪來。
- 左圖橫軸是學期成績、縱軸是人數（Count）；紅虛線是平均值 76.60，綠線是中位數 79.70（把所有人的分數排成一排，站在正中間那個人的分數）。
- 左圖小框：總人數 523、有效成績 475、未登錄／缺考 48、標準差 13.50（分數散得多開）、最高 96.08、最低 3.67。
- 右圖是等第（Letter Grade）人數：A-（80–84）最多，123 人；F（不到 60）有 41 人。
- 看法：大部分人落在 75–90，但左邊有一條往低分拖的長尾巴，多半是沒交作業的人；尾巴把平均往下拉，所以平均比中位數低。
看圖要注意：第一年大家在 Dcard 上說這門課很甜，第二年老師稍微 normalize（調整分數分布）過，這張是調整後的樣子。
下面摺疊的試算在回答一件事：少交一份作業，總分會掉多少？算出來大約掉 16 分，會從 A- 直接掉到 C+，所以 4 份作業一份都不能漏。
它到底怎麼運作？少交一份作業會掉多少？（進階，可跳過）
用一組小數字試算（我補充；每份作業實際比重會微調，這裡先當作平分）：
1. 每份作業約占 75 ÷ 4 = 18.75 分。
2. 四份作業都交、每份拿 85 分，考試拿 80 分：18.75 × 0.85 × 4 + 25 × 0.8 = 63.75 + 20 = 83.75 分，對照圖上是 A-。
3. 同樣的程度，但少交一份：63.75 − 15.94 + 20 = 67.81 分，一下掉到 C+。
所以老師說少交一份，分數「就不會在裡面」。
## [0:55:56](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=3356s) 這門課適合誰、資源在哪
這門課適合對文字有高度興趣、有一點深度學習模型訓練基礎、想知道 LLM 為什麼這麼強的人（Syllabus p.49）。它不是 AI 課，Transformer 不會講很細，而是用 NLP 的角度看模型怎麼運作、為什麼重要；只想學 Transformer 的人，去 AI 或 Deep Learning 的課會學得更細。老師提醒：因為有錄影和直播，很多人不來上課，等寫作業才用三倍速追進度，底子夠還行，底子不夠會很吃力。投影片和影片放在 NTU COOL 和實驗室的課程 GitHub（公開，前兩年的也在）。
用生活比喻：三倍速看錄影、寫作業前才追，像考前一晚狂嗑整本課本，有底子的人撐得住，沒底子的人會噎到。
為什麼錄影在，還是會跟不上？學長姐的心得（Syllabus p.50）說：學期初特別花時間，而且非同步上課很容易不小心忘了進度，碰上期中考或報告就很累。心得也建議：有 coding 和 DL 基礎的碩士生很適合；大三以下、有分數壓力的要先評估自己的時間。
對你的影響：每週固定時間看完當週影片，不要堆到寫作業前。
名詞補充（我補充）：DL 是 Deep Learning（深度學習）的縮寫，用很多層神經網路（模仿腦神經、一層一層把資料加工的計算結構）從資料裡自己學規則，ChatGPT 也屬於這一類。
課程資源和聯絡方式在哪？
- NTU COOL：https://cool.ntu.edu.tw/courses/41436（直播、錄影連結都在這裡）
- 課程 GitHub：https://github.com/IKMLab/NTHU_Natural_Language_Processing（跟 NTU COOL 放一樣的東西）
- 老師：高宏宇，清大台達館 633（hykao@cs.nthu.edu.tw）
- 助教：清大台達館 7 樓 714，IKM lab
- 清大校內的課程系統（eClass）老師不放，用 NTU COOL 就好。
## [0:57:59](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=3479s) 問答：考場、直播、作業比重
外校同學在自己學校的考場考，有監考老師；很多學校只有一位學生，老師笑說會「VIP 式」被帶去一間教室考。直播和錄影連結在 NTU COOL；遇到放假或老師不能上課會預錄，一定上滿 16 週。Slido 有同學提到 9/7 郵件寫的「作業 70%＋專題 30%」，老師說那是舊資料，現在是 75%＋25%；每份作業大約是 75 ÷ 4，依難度和工作量上下微調。作業是 4 份不是 5 份；只要訓練過模型、知道程式怎麼寫就跟得上，有些作業還會給 template（範本程式）。
用生活比喻：作業給 template，像食譜已經把材料備好，你照步驟下鍋就好，不用從種菜開始。
同時修 Deep Learning 會不會更好？老師說可能會，你會發現每個 AI 課老師都在講 Transformer、都在講 fine-tune。清大 X-class 的同學也可以在同一時段修別的課。
老師原話是什麼？
- 「每個學校會有一個考場，然後也會有監考老師」(0:58:12)
- 「我還是會預錄這樣所以我們會上滿這個 16 週的時間這樣子」(0:59:03)
- 「這個可能是舊資料啦可能是舊資料我後來把它改成 75 跟 25 這樣子」(0:59:29)
- 「這門課其實我覺得門檻不高，你只要有訓練過模型」(1:00:31)
- 「有些甚至給你一個 template，不是叫你從無到有去寫」(1:00:43)
## [1:01:18](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=3678s) 問答：考試形式與運算資源
考試是實體、手寫、斷網、閉書，要完全靠你自己的腦袋。題目以高層次的概念題為主，可能有一點 high level 的程式，但不會要你寫出語法精確的程式，更不會叫你用 C 寫出 Transformer。作業的資料量會降到個人電腦或免費 Colab 額度跑得動，跑不動多半是程式沒寫好；TAICA 給的 Colab 額度不多，會當作業 bonus 發給每次作業的前十名（Syllabus p.47 寫帳號啟用後 90 天有效，名額與金額 Wait for announcement，以公告為準）。課堂上可能也會有 QA 或投票，參與會有獎勵。
名詞補充（我補充）：Colab 是 Google 的線上寫程式環境，用瀏覽器就能借 Google 的 GPU（專門跑模型運算的晶片）執行程式；免費版有使用時數上限，所以叫「額度」。
同學其他問題：還沒有 NTU COOL 帳號，是各校選課名單同步要時間，先等一下，課程 GitHub 上也有直播連結；想加簽應該可以（每年都有人退選），休息時間找老師實體簽，X-class 也一樣。有人在 Slido 說課看起來太容易，老師說今年作業會加深一點，重點是能鑑別出大家的努力程度。
用生活比喻：像駕照筆試考的是交通觀念，不會叫你親手造一顆引擎。
為什麼閉書卻說不用背？老師說正因為是閉書，要大家去記這些東西沒有意義；他想知道的是「該學到、放在你腦袋的東西到底有沒有」。
下表把考試的樣子整理在一起（最後兩列來自同一堂 Slido 的回答）。
| 項目 | 考試會怎樣 |
|---|---|
| 形式 | 實體、手寫、斷網、閉書 |
| 題型 | 概念題為主，偏 high level |
| 程式 | 可能有一點，但不要求語法精確，可寫 pseudo code（1:10:57） |
| 不考 | 背模型、背公式、用 C 寫 Transformer |
| 作答語言 | 可以用英文（Slido 助教文字回覆） |
| 考古題 | 沒有，今年第一次考（1:10:52） |
考試可能怎麼問：這段不會出題，但它告訴你怎麼準備：每個方法都要能用自己的話說出「它在解決什麼問題、核心想法、跟別的方法差在哪」。
老師原話是什麼？
- 「期末考的形式就是實體，坐在教室發考卷這樣子就是用寫的，然後斷網」(1:01:18)
- 「我們會把作業的難度跟他資料的複雜度降低到你們個人的電腦」(1:01:34)
- 「但是不會叫你要寫出一個沒有 bug 的 code 這樣子」(1:04:18)
- 「就我覺得應該比較 high level 就是比較，比較，概念型的東西居多」(1:04:42)
- 「但是對我來講其實沒有，沒有太大意義了就是有鑑別性就好」(1:06:58)
## [1:09:19](https://www.youtube.com/watch?v=EEbwXXoVQPY&t=4159s) 下課後補答：點名、考古題
休息回來，老師補答 Slido 上的問題，重點是：不點名、沒有考古題、有程式題可以寫 pseudo code。問問題用 email 或 Slido 最方便，Slido 可以匿名，不用跑去 Dcard 講。投影片 PDF 在 NTU COOL 和 GitHub 都能下載，可能先看到去年的版本，老師會陸續小改。
用生活比喻：沒有考古題的第一屆考試，像沒人走過的新步道，只能照老師給的地圖（上課內容）準備。
下表是這段問答，加上 Slido 上幾則影片裡沒唸到的助教文字回覆。
| 問題 | 回答 |
|---|---|
| 主要處理中英文嗎？ | 不特別針對哪種語言；LLM 本身是多語言的。low-resource language（資料很少的語言）不太會提 |
| 沒訓練過模型修得過嗎？ | 很難說；門檻不在有沒有訓練過（丟資料呼叫 fit 就算訓練過），而在懂不懂神經網路架構 |
| 會點名嗎？ | 不會，但實體上課時可能有參與 bonus |
| 有考古題嗎？ | 沒有，因為以前沒考過試 |
| 可以寫 pseudo code 嗎？ | 可以（如果有程式題） |
| 大學生可以修嗎？ | 可以，之前連大二生都修過 |
| 作業多久可以交？ | 2–3 週（助教文字回覆） |
| 清大實體教室在哪？ | 台達館 103（助教文字回覆） |
| 有 office hour 嗎？ | 會寫上去；問問題用 email 或 Slido 最方便 |
| 問問題寄哪裡？ | 助教信箱 nthuikmlab@gmail.com（助教文字回覆） |
對你的影響：有人在 Slido 說希望課難一點、想學東西，老師說會盡力，把課拉到研究所課程的標準。
表裡的 fit（我補充）：Python 機器學習套件裡「開始訓練」的那個指令，資料丟進去、呼叫一行就訓練完。老師的意思是，會呼叫 fit 不代表懂；真正的門檻是懂神經網路架構（模型裡一層一層怎麼接、資料怎麼流過去）。
老師原話是什麼？
- 「我們不會 dedicate 說處理哪一種 language 特別的問題啊」(1:09:28)
- 「那個門檻不會在於有沒有訓練過」(1:10:26)
- 「會有考古題當然沒有啊因為之前都沒有考試這樣子」(1:10:52)
- 「如果要問問題其實用 email 或是在 Slido 上問很方便這樣子」(1:11:11)
## Self-check
Q1. Why did the instructor add an in-person exam this year?（中文：老師今年為什麼加一場實體考試？）
**Answer**: Some homework reports gave deep analysis of experiments the students apparently never ran, which suggested the text was written by AI. The instructor does not ban AI, but wants students to grow together with AI, so a closed-book, in-person exam checks what is really in your own head.
中文：有些作業心得分析得很深入，但前面好像根本沒做這些實驗，看起來是 AI 代寫。老師不禁止用 AI，但希望你跟 AI 同步成長，自己也真的學會，所以加一場閉書的實體考試，檢查你腦袋裡到底有沒有東西。
Q2. What does "Your Insight, not GPT insight" mean for the homework discussion?（中文：「Your Insight, not GPT insight」對作業討論是什麼意思？）
**Answer**: The discussion should come from your own experiments and understanding. You may work with AI, but when AI suggests an idea, you should go back, run extra experiments to check it, and explain the results in your own words.
中文：作業的討論要來自你自己做的實驗和理解。可以跟 AI 協作，但 AI 提出的想法，你要回頭補做實驗驗證，再用自己的話解釋結果為什麼長這樣。
Q3. What kind of questions will the exam have, and how should you prepare?（中文：考試會出什麼樣的題目？要怎麼準備？）
**Answer**: The exam is handwritten, offline and closed-book, and most questions are high-level and conceptual. You do not need to memorize model details or formulas or write syntax-perfect code; pseudo code is acceptable. Prepare by being able to explain, for each method, what problem it solves, its core idea, and how it differs from other methods.
中文：考試是手寫、斷網、閉書，大多是高層次的概念題。不用背模型細節或公式，也不用寫出語法精確的程式，寫 pseudo code 就可以。準備方式是：每個方法都要能說出它在解決什麼問題、核心想法是什麼、跟別的方法差在哪。
Q4. Why was the term project removed, and how is the grade split now?（中文：為什麼取消期末專題？現在成績怎麼算？）
**Answer**: There were too many students, forming groups took too much time, and it was hard to judge each member's contribution because some members never took part. The time after the fourth assignment was also only about one month. Now the grade is four assignments (75%) plus one in-person exam in week 14 (25%).
中文：修課人太多，分組很花時間；有些組員從沒參與，很難判斷每個人的貢獻；而且第 4 份作業做完到專題只剩大約一個月。現在成績是 4 份作業占 75%，加上第 14 週一場實體考試占 25%。
讀完了嗎？下一章：[05 預訓練模型改變 NLP 做法（1:13–1:35）](https://app.notion.com/p/3e7fc631b03081c69424e055b260badc)｜回到週頁：[W1（9/10）](https://app.notion.com/p/3e7fc631b0308199953aef38ee86b0ae)