| 課程與核心能力關聯配比(%) |
課程目標之教學方法與評量方法 |
| 課程目標 |
核心能力 |
配比(%) |
教學方法 |
評量方法 |
1. 何謂資料科學
2. 如何根據問題與資料特性選用合適的分析工具
3. 利用AI調用Python工具處理與分析資料
4. 培養修習進一步課程的基礎能力 |
|
|
|
|
| 授課內容(單元名稱與內容、習作/每週授課、考試進度-共16週加自主學習) |
| 週次 |
授課內容 |
| 第1週 |
Introduction |
| 第2週 |
Cleaning and wrangling data |
| 第3週 |
Explorative data analysis |
| 第4週 |
Linear regression |
| 第5週 |
中秋節 |
| 第6週 |
Linear regression |
| 第7週 |
Cross validation |
| 第8週 |
期中考 |
| 第9週 |
Binary classification |
| 第10週 |
Binary classification |
| 第11週 |
Multiclass classification |
| 第12週 |
Multiclass classification |
| 第13週 |
Clustering |
| 第14週 |
期末考 |
| 第15週 |
Optimization algorithms |
| 第16週 |
Nonparametric regression |
自主學習
內容 |
02.閱覽產業及學術相關多媒體資料
artificial neural networks
deep learning |
|
| 學習評量方式 |
期中考 40%
期末考 60% |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
Timbers et al., Data Science: A First Introduction with Python.
Lau et al., Principles and Techniques of Data Science.
McKinney, Python for Data Analysis (3rd ed.)
Grus, Data Science from Scratch (2nd ed.)
|
| 課程教材（教師個人網址請列在本校內之網址） |
| iLearning |
| 課程輔導時間 |
| TBA |
| 聯合國全球永續發展目標(連結網址) |
|
|