在學校教書從來不是在我人生規劃的事情，而且還是大學的兼課，更是想都沒想過。然而在今年（2021）上半年，我卻在北科大工程學院完成了一學期的教學：人工智慧與工程應用課程。會接這門課算是因緣際會，原本去年教這門課的朋友，因為他公司的原因今年無法再上課，就這樣找著找著找上我，我也用嘗試看看的心態答應了。雖然這只是一門兩學分的選修課，但因為一些個人的堅持，這學期花了不少時間在課程內容的準備，所以還是想紀錄一下心得，算是給自己的一個回憶總結。
在開始之前，先提供一下課程相關連結：
關於這門課
這門「人工智慧與工程應用課程」是開在工程學院底下，主要給材料與資源系、土木系、機械系、化工系、車輛系等工程學院的大學部學生修課。方向是以基礎概念搭配實做為主，內容從人工智慧的概念與應用，到現在主流的機器學習與深度學習等。因為需要實做，所以也花了幾週的時間教一些 Python 的基本，還有搭配不少的課堂練習、作業、期中考，以及最後的期末專題。
相對於電資學院，工程學院的學生對這方面的基礎比較薄落，所以在內容與難度的取捨上需要滿小心控制的。接下來，就來分享一下幾點我認為值得紀念的事情，以及需要再檢討的地方。
那些值得紀念的地方
自製教材
現在不論是學校、公家單位、坊間都有不少關於人工智慧的課程，主要以機器學習、深度學習為主。在這議題如此興盛的狀況下，當然品質就會參差不齊，但不論品質好壞，我認為開課的最重要的一件事就是教材要盡量自己準備，尤其是有收費的課程。然而，還是有聽聞過某些付費課程是直接使用別人的投影片內容，這對我來說已經跨越了良心的最基本底線。雖然我在北科大這門課應該偏向非營利的教育性質，領的鐘點費很少，但還是堅持盡量投影片自己做、練習題自己出。在平常還有其他許多事情的狀況下，能這樣子堅持一學期，大概是我這門課最大的成果之一吧！
把授權搞定
會想要做好授權這部份，原因也跟上面提到的有關：有些人會直接使用（或是擷取部份）別人的教材，而且不附上來源。我想包括我自己，大部份的人都很樂於分享自己做的內容，但如果你的內容被用在有商業利益的場合，而且還是在你沒有同意的情況下，大概想法就不一樣了，甚至可能牽扯到複雜的法律問題。為了避免這種「悲劇」發生，我在投影片跟影片都加上「創用 CC」授權，原始碼都用「GPLv3」授權。
創用 CC 通常用在圖片或是設計比較多，投影片跟影片相對比較少看到。授權的內容可以自行調整，其中一個不允許用在商業目（NonCommercial, NC）的選項，考量一陣子後我還是決定拿掉，授權方式為 CC BY-SA 4.0，簡單來說就是「你可以隨意拿去使用、修改，商業用途也可以，但記得要提到原始作品，並且用同樣的授權喔」。
原始碼的 GPLv3 授權是 GPL 的一種，是一個「高污染性」且需要公開的授權。最簡單來說，即使你的作品只是使用某個 GPL 的作品，那你的作品也必須要用 GPL 授權並且公開。我花很多時間在撰寫練習題，還是希望能盡量貢獻在公眾領域，所以才決定用 GPLv3。為了保險起見，就算是同樣的原始碼，我在 GitHub跟 Colab 上的練習題都同時宣告 GPLv3，雖然有點龜毛，但多做總比少做好吧！
大量的練習題，與梗結合
第一堂課的時候，就有跟同學說這是一門教基礎概念、應用，有很多基礎練習的課程。為了實現這個承諾，基本上幾乎每週都有實做讓同學可以在課堂上練習（當然這也讓我準備的超累）。實做練習的內容盡量是偏向應用或是情境題取向，並且盡量結合一些大學生或是年輕世代能懂的網路梗，例如 Python 基礎練習就把天竺鼠車車的角色放進題目裡、某次作業用 Pokemon 能力值當作練習用的資料，並且結合比雕被小智拋棄 20 年的故事作為開頭，或是在做影像分類模型訓練的練習時，目標是讓模型學會分辨輸入圖片是紅貴賓或炸雞。各種的梗，就是希望讓學生能有更多實作經驗外，也對這些題目印象更深刻。
教學神器 Google Colab
Colab 是一個 Google 的雲端服務，讓使用者可以直接在瀏覽器在撰寫、執行 Python，可以想像是雲端版本的 Jupyter。使用者可以在 Colab 筆記本上寫程式碼，並且支援 Markdown 語法來寫說明與教學，也可以執行 Linux 指令（最常用的就是用 pip 來安裝需要的 Python 套件）。筆記本是儲存在 Goolge Drive 裡，所以可以輕鬆的分享給需要的人。對於初學者最方便的，大概就是不需要在自己的電腦安裝開發環境（這個步驟是很多初學者的一大關卡），而且 Colab 還提供免費的 GPU（訓練深度學習模型沒有 GPU 速度會慢很多），更是大幅降低入門的門檻。
以前我其實是滿反對使用 Colab 或 Jupyter 的，主因是我認為筆記本對程式碼的寫作方式是有害的，不過考量到 Colab 幾個難以取代的優點，最後還是決定以它為當作平台。雖然在大量使用 Colab 之後還是發現不少難以克服的缺陷，但也因為 Colab 讓不少同學能夠快速入門，盡量避免掉前期的挫折、失去興趣、甚至放棄。未來如果他們真的想走這程式設計這條路，再去學如何正確使用開發工具都還來得及吧。
自動改答案系統
在這門課學生真的需要繳交的作業及期中考其實沒有很多，但為了避免我及助教陷入改作業、考卷的地獄，我寫了一個簡單的系統，學生可以直接上傳答案，並且自動回答正確與否。這樣的方式看起來似乎「沒有人性」，但我認為可以讓學生提早知道寫程式是很少模糊空間的，並且可以讓他們體驗努力 debug 讓答案從 FAIL 變成 PASS 那種成就感，算是一種深刻的回饋吧！
可能也會有人想，這種方式如何避免作業抄襲的問題？的確是沒有辦法避免的。我認為要探討的應該是：作業抄襲是道德層面問題（被發現會被譴責）還是法律層面的問題（被發現會有懲罰）？我的作法是相信學生，把它定義為道德問題。老實說就算真的有人抄襲，對其他人也是沒有任何損失，損失的還是抄襲者本人。
再來分享一下這個系統本身，我寫了一個簡單 REST API Server（GitHub 連結），並且部屬在 Heroku。學生只要呼叫 API 就可以上傳答案。Heroku 應該很多人都用過，可以快速的做更新與自動部屬，免費的版本就很強大了，非常推薦有類似需求的人使用。
上課的互動
以前被不少人說過，上台講話的口條有待加強。近幾年因為有許多機會在台上分享、演講，這方面的困難算是稍稍克服，但關於跟台下聽者的互動方式，似乎還是沒有一個習慣的模式。在大概期中考之後，課程內容開始變得偏難，那時候開始思考要如何透過互動讓同學可以容易吸收，最後想到的方法是：一直問問題，沒人回答就直接找人問，傳統但很有效！這個方法是看到我在 UBI Taiwan 的好夥伴：Tyler， 教學時與台下的互動，搭配他順暢的口條，氛圍與一般的上課就是完全不一樣。另外一個方式是搭配輕鬆的影片或網站，例如在講影像相關的課程時放啾啾鞋的影片、玩 Quick Draw，學生的回饋都是滿正面的。
疫情與遠距教學
今天五月中台灣很不幸的爆發疫情，那時候學校很快的決定全面改成遠距教學，就這樣我在學期的最後一個月有了完整的遠距教學體會。還好平常早就滿常用線上會議軟體，對我來說算是滿習慣的一件事。我是沒有要求學生開視訊鏡頭的，這對有些教學者來說可能會有心裡壓力：會不會根本沒人在聽我講話，大家都是躺在床上耍廢？我認為只要心態調整好，對學生有足夠信任，這不會是一個大問題。如果學生真的沒在上課，或許更可能要去想：是不是自己講的內容讓學生不想聽？先把自己要求好，再來要求學生吧！對我來說，遠距教學唯一的麻煩大概是上面提到的互動方式，變得更難進行了。這個似乎也只能再多點經驗，慢慢去探索好的方法，以及培養跟學生彼此的默契。
期末專題
為了讓學生能有更多空間發揮創意，並且有個具體成果帶回家，安排了期末專題，讓學生可以自行組隊、設定題目、尋找解法並且手動實做。在正式的專題分享的前一個月左右，每組要繳交專題構想書，讓題目能盡早確定下來以利後續發展。另外，我還提供學生許多案例，幫助他們做題目發想。最後總共有五祖，分別是「辨別假新聞」、「閩南語語感訓練」、「臉部情緒辨識」、「股票預測分析」、「惡意軟體預測」。其中有幾組的題目我認為非常有意義，而且做的也很扎實，看到學生能做出這些成果其實滿欣慰的。
那些值得檢討的地方
修課人數的設定
除了值得紀念的部份，教課的過程中也發生不少需要檢討的部份，其中最有印象的第一點就是修課人數的設定。原本期待這門課是小而美，盡量每個學生都可以照顧到，所以人數上限設定只有 24 位，而且不能加簽。開學的加選期間馬上就發生事故，選到課有一半是「聞香而來」的電機系學生，但這門課在難度上是開給工程學院的（電機系是電資學院）。為了保障工程學院學生的修課權益，只好透過各種方法「勸退」電機系學生，讓出寶貴的修課名額。雖然最後有協調成功，但選到課的人數最後只有 22 位。
另一個沒有事先預想到的，是學生會期中退選或直接放棄上課。當看到有人提出退選申請時，除了與學生溝通之外，實在是沒有拒絕的理由。當看到有人直接不來上課、不交作業及期末專題、不考期中考，那也只能默默的把學生當掉。最後堅持下來的人剩 18 位，相比之下教學資源（一位講師、兩位助教）其實是綽綽有餘的。如果未來還有機會開課，調整更適合的修課人數上限大概是我首要目標。
難度設定，到底什麼叫做「基礎」？
雖然這門課的目標是「基礎」，不過大家對基礎的認知似乎有落差。我原本滿期待是學生至少都有一些程式以及數學的經驗，不過在開學的小測驗後就馬上發現，大概有一半的學生是沒有辦法滿足這個期待的。所以我就把更多時間花在基本的數學以及程式（Python）教學嗎？後來我思考後答案是不，畢竟這是一門「人工智慧」課程，並不是大一的程式設計課，如果花太多時間在 Python 教學、基本數學，它就變成另一門課了。所以只能折衷用很快的時間把 Python 帶過（講解加練習大約花三、四周），數學則是在需要用到的地方大概提一下，不講太過深入。
從期中的表現來看，這個方法對有一定基礎的人應該是有用的，但對於比較不熟悉的人來說，似乎圍繞著跟不上進度的恐懼感。有一位期中退選的同學跟我說：「進入 3/10 那週有點吃驚的是老師用兩節課的時間把我通識python課的東西全部講完。往後的每一週又有更多的新東西和課程內容，到assignment 1 時已經對題目完全不知道如何著手了。」，當下除了安慰他以及核准退選之外，我好像什麼都無法做。另外，有幾位堅持修課到最後的學生，也可以明顯看出來他們是連簡單題目都無法應付的。這幾位案例讓我有點挫折，也感到對他們不好意思，是我教這門課的遺憾之一。
這個方法錯了嗎？我曾跟一位學生聊，他說他們系大一是有程式設計課的，只是開課的老師其實不太懂，所以只能呼嚕呼嚕的教過去，學生能學到的很有限。可以看出來「環境」問題也很重要，所以我的行動是跟系主任建議，應該要有其他的課程來搭配，先培養「運算思維」可能是更重要的事情。如果未來還有機會，或許會把修課的門檻稍微加高一些，至少有一定的基礎才能修課。畢竟要在短時間勉強讓學生長大，只會造成營養不良而已。
概念講解與實做練習的平衡
「理論與實做並重」大概是現代人最喜歡的一句話之一，要如何達到兩者的平衡永遠是個難題。其實我認為在機器學習、深度學習領域，先有良好的概念基礎是最首要的，不過如果在一週只有兩小時的課還是沒有還是沒有程上，要把所有重要的理論概念全部講完的話，大概就不用練習了。我只好盡量在合理的範圍內取得平恆。
從課程回饋問卷來看，學生還是比較偏好實做練習，或是說更偏向實際應用的內容。例如在講 Regression 的時候，就有不少同學反應有點難吸收，但在講影像辨識應用的時候，正面回饋的比例就高很多。或許未來可以把這方面的內容再提高一些，更多實際的應用。另外也想到其他有趣的點子，例如結合 IFTTT、LINE Notify 即時發送模型辨識的結果，或是用 Jetson Nano 做一些實體世界的應用。讓學生先有興趣，未來想要深入再自學都不遲。當然，如果要準備這些應用，對備課的人來說會是個大挑戰就是。
只教機器學習、深度學習？
許多人把「人工智慧」、「機器學習」、「深度學習」這幾個詞混用，甚至認為是同義詞。對於人工智慧這個詞，我一直認為它是個目標，而現在流行的機器學習、深度學習，則是實現人工智慧的其中幾還是沒有種方法，其他方法還有探索、推論、專家系統等等。在第一堂課時我就把這個想法講清楚，並且說明接下來的課程會以機器學習與深度學習為主，畢竟這是現在的主流。原本還希望安排一堂課講其他的方法，不過在時間的取捨下還是刪掉了。現在想來還是覺得很可惜，如果講能更廣一點，增加學生的也眼界應該很不錯。
當同學跟你問答案，你要講的多具體？
一般來說，如果學生在實做練習遇到程式上的問題，我都會盡力具體的回答。如果是概念方面的，則盡量用舉例的方式來幫助理解。但如果今天是更開放的問題，該如何回答是最好的？我遇到的狀況是期末專題某組的學生，遇到模型訓練準確率上不去的問題，所以寄信問我有沒有其他更好的模型可以去嘗試。從他的口氣看來，應該是真得很挫折（信中強調難好難）。我當下是滿猶豫的。專題本來就希望是讓學生自己去探索，加上這個問題目前也沒有正確解答（不同資料集有各種不同結果），所以最後只有給他們幾個參考用的連結，請他們自己嘗試不同模型看看。不知道是時間不夠的關係、還是太過困難而放棄，最後他們還是只有用原本的模型。如果那時候我回給他們一個明確的指示，結果會有不一樣嗎？對他們會是好事嗎？我現在還是沒有答案。
小小的結語
一學期下來，真的話不少時間在課程的準備上，心境也是起起落落，但整體來說還是個難得的經驗。最難忘的大概是期末專題的成果，以及每堂課學生給予的感謝。有一位大四學生說他未來想要走這方面的路，幾乎每堂課結束都會留下來再問我各種問題，我也很樂於回答、討論。他還跟我說他大四修了很多相關的課，但這次的期末專題是他第一次完整做一個專案，是一個很好的經驗。祝福他未來能夠順利，也謝謝拉拔我的朋友、系主任，辛苦協助的助教，以及每個願意來修課的學生。
