感謝l大的指教~ 以下稍微回應一下:
1. 後半段資料分析這個部分東西比較多，難吸收這件事情，
我也一直困擾多年，每次都試著改善，但顯然都還沒有做好。
例如，相較於以前的課程，這次我就拿掉了semi-supervised learning、
hybrid learning、recurrent neural nets、pyspark的介紹。
這邊我的掙扎/權衡主要是:
a. 課程架構的完整性vs.課程內容的可理解性:
主題/內容覆蓋率若比較少，慢慢講是一定可以講清楚的。
但在我心中它就是一個不完整的導論課，會有點類似像這門通識課:
https://ocw.nthu.edu.tw/ocw/index.php?page=course&cid=19
從普心的觀點就會覺得不完整(雖然本來這門就是通識沒有要追求完整)
這門課2014第一次開課的時後，領域內還沒有人在用deep learning。
但2018年開後就補上，求的是能讓大家和國外同步能看到最前沿的風景。
所以這種因為時間演進，人類知識愈來愈多的資訊爆炸，也是很難避免。
b. 會用就好vs.了解原理
例如求scikit-learn會用，就書翻一翻換換machine learners就可以了，
不用講hierarchical clustering、KNN、K-medoids、SVM的演算法概念。
例如求Keras會用，其實去YouTube看莫煩的教學影片就可以了，不用介紹
universal approximation theorem 和 basis functions 的觀念。
前者教法比較討喜我知道，但我選後者因為各位可以走得比較長遠。
c. 一般內容vs.獨門心法
一般內容就是講一些其他人/書/影片也會覆蓋的內容，獨門心法類似像
怎麼追 http requests/responses 來反「反爬蟲」與 打散 ML pipelines。
這邊的掙扎就是不多教獨門心法/內功可以比較快，但就有點可惜。
2. 關於"關於心理與神經資訊學的部分，比重相較於程式的東西來說真的不太多"。
a. 這個領域，缺的不是很酷的論文/研究，缺的是這些研究怎麼做出來的技術細節。
這門課希望讓初心者有 minimal working examples 可以解決眼高手低的問題。
這也是為何課程比較注重技術，而我也花了大把的時間做 Jupyter Notebooks。
這些技術都是實際上被用到的，例如 Neurosynth 用到了爬蟲技術、
網頁前後端的技術、影像處理、及機器學習。
b. 和心理實驗法的差異是，心實教 Orange 比較好吸收但 Python 比較
general-purpose，之後可以走得比較長遠。
c. 全世界沒有幾門 psychoinformatics 的課，大家可以比較看看，
或許有教得比較好的課 (或許沒有XD)。
3. 2021年因為研究/教學/服務/產學/家庭負擔都有點激烈，傷了元氣。
新的一學期決定進入養生 (aka 財富自由/提早退休) 模式。
下學期比較復原後，再繼續服務各位同學！
希望屆時疫情退散，我也能呈現出更好的自己 & 課程給大家～ :)
Tren