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：
印象中在學期初時，我是比較晚才決定要修這門課。修完之後才發現這門課能學到相當深入的知識，也能對這個領域建立不錯的整體理解。老師在上課時也會介紹並講解相關領域較成熟的研究論文，使得課程內容不僅限於教材，而能延伸到實際研究成果。整體而言，這門課讓我學到許多東西，而作業的份量也不算太多，負擔相對適中。
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：
本課程主要介紹如何利用現代深度學習（Deep Learning）技術處理自然語言相關任務。內容從語言模型（language model, LM）的基礎發展談起，包括循環神經網路（RNN）、tokenizer 以及各種 Transformer 架構。接著探討多種提升模型表現的訓練方法，例如預訓練（pretraining）、後訓練（post-training）、提示調整（prompt tuning）、以及模型調適（adaptation，如 LoRA）等等，以及基於強化學習的方法（RL-based methods）。此外，課程也簡要介紹其他相關主題，例如利用外部資料庫提升模型正確性的檢索增強生成（RAG）、自然語言生成（NLG）、語言代理（language agent）、推理能力（reasoning）以及安全性（safety）等議題，使學生對這些方向有初步的認識。
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，使得新的提示詞在防衛的模型（guard）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：
這門課是我為了進一步了解當前熱門的大型語言模型（LLM）領域而選修的。透過這門課，我對 LLM 的內部架構，以及近 10 到 20 年語言模型（language modeling）如何從循環神經網路（RNN）發展到以 Transformer 為基礎的深度學習模型，有了基本且系統性的認識。課程後半也討論了 LLM 的一些重要議題，例如安全性（safety）、偏見（bias），以及較新的研究方向，如推理能力（reasoning）與語言代理（language agent）。由於此領域發展快速，老師在課堂上也介紹了許多發展過程中的重要論文與核心概念，使我們能理解整體的研究脈絡。除了理論內容扎實之外，作業的實作也具有挑戰性，常需要閱讀 Hugging Face 的文件或範例程式碼，並在此基礎上進行修改與改良。
在這門課中，最讓我有成就感的是期末報告。我提出了一個有趣的半監督方法（semi-supervised），使模型在沒有額外標註資料的情況下，仍能提升越獄攻擊的能力。雖然這距離真正完成一項研究仍有一段距離，但這次的經驗也讓我感受到，自己在這幾年的學習過程中，逐漸培養出運用所學知識來設計方法並解決問題的能力。
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：
這門課是我為了讓自己對系統相關領域有更完整的認識而選修的。我希望了解編譯器是如何被設計與實作的，因為若未來從事較偏硬體或接近底層的系統工作，往往需要具備一定程度的編譯器知識。這門課同時兼顧理論與實作，不僅介紹編譯器相關演算法的運作原理，也讓學生學習如何運用現有工具來協助生成編譯器的各個模組。
此外，課程的程式作業也具有一定的挑戰性。不過作業可以與同學合作完成，透過分工通常能較有效率地完成任務。另外，每次作業都可以以前一次作業的標準答案為基礎繼續進行，因此不會出現錯誤在多次作業中累積的問題。總體而言，我從這門課中學到了不少新的知識，評分也相對寬鬆，而在實作過程中也確實有所收穫。
電工實驗（嵌入式系統）
- 學分：2 學分
- 授課教師：王勝德
- 學期成績：A
-
上課內容：
本課程的內容主要圍繞每週安排的實驗進行。每個實驗都需要撰寫程式，並在 STM32 開發板上依照要求正確執行，最後再向助教展示成果。課堂講授的內容則多為完成實驗所需的背景知識。整體實驗大致涵蓋以下七個主題：
-
RTOS 與相關 API：了解 FreeRTOS 與 CMSIS 等函式庫提供的 API，並學習如何透過這些工具實現執行緒間通訊（inter-thread communication），以及基本的同步（synchronization）機制。
-
Serial 通訊：學習如何使用開發板上的 Serial port 與相關函式庫來實現序列通訊。
-
Bluetooth：介紹 Bluetooth Low Energy（BLE） 的基本協定概念，例如 GATT，並實作相關功能於開發板上。
-
Wi-Fi：透過 Wi-Fi 建立 TCP socket 或 HTTP 連線。
-
PWM：介紹 PWM 的基本概念，並利用 logic analyzer 觀察與分析輸出的波形。
-
DMA 與 Interrupt：了解嵌入式系統中如何透過 DMA 與中斷機制有效取得與處理資料。
-
DSP：對接收到的訊號進行數位訊號處理（DSP）。課程也會介紹相關函式庫的使用，例如 fixed-point number 的運算，並利用平行化（parallelism）來加速 DSP 計算。
本課程的成績計算方式如下：
-
期末考（33%）：考試範圍涵蓋整個學期的課程內容，但不涉及實作細節。
-
期末報告（33%）：各組需選擇一個題目，並於第 11 週左右向全班提案。之後每週輪流報告進度，最後展示最終成果。
-
七次實驗（33%）：共七次實驗，每次若僅完成基礎部分，最高可得 85 分；完成加分題則可再額外加 5 到 10 分。
-
器材維護（1%）：包括實驗器材的日常維護與管理。
-
-
心得：
這門課是我在選課時比較猶豫的一門，當初在考慮要選專題研究還是這門課時，最終選擇了後者，當時並不確定這是否是最好的決定。不過在課程過程中，我確實學到了許多實作相關的知識。然而，由於上課時時常分心，並沒有完全吸收課堂內容，這也影響了期末考的表現，使成績未達理想。
這門課也是我這學期修課中最感到心浮氣躁的一門。主要原因是每週我都想完成實驗的加分題，但有幾週涉及 BLE 相關實作時，測試與調整花費了大量時間，導致我無法充分閱讀後續章節。整體而言，雖然課程內容對我很有收穫，但時間安排與實作挑戰讓學習過程充滿壓力。
總體經濟學上
- 學分：3 學分
- 授課教師：朱玉琦
- 學期成績：A+
-
上課內容：
本課程主要介紹一些總體經濟學中的數學模型，核心目標是學習如何透過數學模型分析並預測經濟成長。因此課程會介紹幾個經典模型，包括：
-
Solow 模型（Solow model）：透過資本與勞動等生產要素來描述生產函數（production），並用以分析與預測長期經濟成長趨勢。此外，也會討論其延伸模型，例如加入技術進步（technological progress）與人口成長等因素後的情形。
-
消費—儲蓄模型（consumption–saving model）：這是一個個體層級的經濟模型，討論個體如何在年輕時期與老年時期之間分配消費，以最大化兩個時期的效用（utility）。
-
世代交疊模型（Overlapping Generations model, OLG model）：將消費—儲蓄模型與 Solow 模型結合，分析個體的消費與儲蓄決策如何影響整體經濟中的儲蓄率（saving rate）等參數，進而影響長期經濟成長。
本課程的成績計算方式僅包含三次期考，分別佔 30%、30% 與 40%。每次考試的範圍皆為該次考試前新教授的內容。雖然學期初老師曾表示期末考可能包含前面的範圍，但最終實際考試仍僅涵蓋當次的新內容。
最終的等第評定方式也與學校的一般標準略有不同，老師會在學期初即公布各等第對應的分數門檻，例如總成績 87 分以上即可獲得 A+。此外，若三次期考成績的加權中位數未達 70 分，老師會將全體成績統一加分，使中位數達到 70 分。整體而言，課程的設計目標是讓超過一半的學生能獲得 B+ 以上的成績（老師設定總成績 70 分即可獲得 B+）。
-
-
心得：
這門課在經濟系中似乎屬於中階課程，相較於「總體經濟學原理」，其目標是以更嚴謹的數學方法來解釋入門課程中介紹過的經濟模型。由於我本身已有一定的數學基礎，因此這門課對我而言反而有些像是一門原理課。透過課程內容，我可以了解早期經濟學家是如何利用數學模型來解釋經濟成長，也因此對這個領域的基本語言與思考方式有了初步的認識，讓未來若進一步接觸經濟相關研究時，能更容易理解其內容。