2025 年秋季修課心得
記憶體與儲存系統
- 學分：3 學分
- 授課教師：張原豪
- 學期成績：A+
-
上課內容：
本學期課程主要介紹各種記憶體與儲存系統的管理與運作原理，內容涵蓋多種儲存技術，包括快閃記憶體（Flash Memory）、DRAM、Racetrack Memory，以及傳統硬碟（HDD）與固態硬碟（SSD），並延伸討論未來可能的儲存技術（Future Storage）。除了各類儲存系統的架構與管理方式外，課程也介紹了不同類型的資料庫系統，包含以樹狀結構為基礎的系統，以及採用雜湊（Hashing）機制的資料管理方法。
本課程的評分方式主要包含以下三個部分：
-
程式作業（40%）：本學期共有四次作業，需要閱讀 SSD 模擬器 MQSim 的程式碼，部分作業可能需要修改程式碼，並透過調整模擬參數進行實驗，最後分析與討論實驗結果。
-
期中考（25%）與期末考（25%）：考試範圍為該次期考前的課程內容，題型為問答題，共 20 題，每題 5 分。
-
課堂表現（10%）：此部分的具體評分方式未特別說明，推測可能作為老師彈性調整分數的依據；而我在此項目中最終獲得約 11% 的成績。
-
-
心得：
深度學習之應用(ADL)
- 學分：3 學分
- 授課教師：陳縕儂
- 學期成績：A+
-
上課內容：
這門課的上課內容主要是專注於如何透過現代的深度學習(Deep learning)的技術來處理自然語言的任務。會從 LM 的基礎發展
這門課的評分方式如下：
-
三次程式作業（60%，各 20%）：主要需要透過微調模型（fine-tuning）來完成指定任務。例如，作業一需要訓練兩個任務的模型，包含段落選擇（paragraph selection）與選擇題問答（multiple-choice QA）；作業二則需使用量化（quantization）與 LoRA 方法進行指令微調（instruction tuning），讓模型學會特定指令，例如文言文翻譯；作業三則需要微調檢索模型（retriever）與重排序模型（reranker），以提升系統在檢索增強生成（retrieval-augmented generation, RAG）任務上的表現。每次作業除了需要繳交程式碼與訓練完成的模型，並達到一定的效能標準外，也需要撰寫實驗報告。此外，每次作業也設有 2% 的加分作業。
-
課堂參與（5%）：主要為參與課程安排的演講（talk）並撰寫心得。課程共安排兩次演講，只需完成其中一次即可獲得此部分的分數。
-
期末報告（35%）：期末需要完成一個大型專題報告，以分組方式進行，每組 4–6 人。專題題目為對對話式語言模型（chat language model）進行越獄攻擊（jailbreak）。具體而言，會提供大量具有惡意意圖的提示詞（prompt），我們需要設計一種自動化方法，將其轉換為新的提示詞，使得新的提示詞在評估系統（judge）看來是安全的，但仍能誘使對話式語言模型產生不當或不安全的回應。此部分的成績由 60% 的系統表現成績、40% 的報告與簡報，以及 10% 的問答及討論組成，最後再轉換為 100% 的分數。
-
- 心得：
編譯程式設計
- 學分：3 學分
- 授課教師：洪鼎詠
- 學期成績：A+
-
上課內容：
本課程主要介紹基礎編譯器的建構原理，其核心功能包含掃描器（scanner）、語法分析器（parser）、語意分析器（semantic analyzer）以及最終的程式碼生成器（code generator）。課程重點在於說明這些模組所使用的演算法與實作方式，並介紹現有的工具與技術。在學習完編譯器的建構方法後，課程進一步探討各種編譯器優化策略，以提升程式碼在執行時的效能。
本課程的成績計算方式如下：
-
複習作業（5%）：期中考與期末考前一週會布置手寫複習作業，內容涵蓋該次考試範圍的課程內容，且作業題目與考試密切相關。
-
期中考（25%）與期末考（25%）：考試內容為該次上課所學，考試時允許使用任何參考資料，包括網路資源與語言模型。
-
程式作業（45%）：課程共有四次作業，分別要求實作掃描器（scanner）、語法分析器（parser）、語意分析器（semantic analyzer）以及程式碼生成器（code generator）。作業可使用不同的既成工具，如
flex以及bison等。四次作業的分數並非平均計算，而是依序佔 5%、5%、10% 與 15%。
-
- 心得：