| 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.了解資料科學相關技術及知識
2.具備資料科學基礎實作能力 |
|
|
|
|
| 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 |
課程簡介與大數據導論 |
| 第2週 |
關聯規則與Apriori演算法(1) |
| 第3週 |
關聯規則與Apriori演算法(2) |
| 第4週 |
分類簡介與決策樹演算法 |
| 第5週 |
分類的各項議題(1) |
| 第6週 |
分類的各項議題(2) |
| 第7週 |
傳統分類方法 |
| 第8週 |
分類實務應用 |
| 第9週 |
期中考 |
| 第10週 |
輿情探勘(1) |
| 第11週 |
輿情探勘(2) |
| 第12週 |
分群演算法 |
| 第13週 |
類神經網路 |
| 第14週 |
深度學習導論 |
| 第15週 |
專題報告 |
| 第16週 |
行憲紀念日(放假) |
自主學習
內容 |
03.製作專題報告
|
|
| 學習評量方式 |
| 平時成績：20%，期中評量：40%，期末報告：30%，自主學習：10% |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
參考書目：
Han and Kamber, Data Mining Concepts and Techniques
Shmueli, Bruce, Yahav, Patel, Lichtendahl, Data Mining for Business Analytics |
| 課程教材（教師個人網址請列在本校內之網址） |
| 自編簡報、範例程式與資料集 |
| 課程輔導時間 |
| 請以 email 預約 |
| 聯合國全球永續發展目標(連結網址) |
|
|