| 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 |
| To guide students with minimal or no data engineering background into the basic knowledge realm of data science. 針對不具資料編程與數據分析學科背景的學生，習得基礎知識與操作 |
|
|
|
|
| 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 |
|
| 第2週 |
|
| 第3週 |
|
| 第4週 |
|
| 第5週 |
10月7日
資料科學概論(I)
1.資料來源與型態
- 一手、二手資料
- 結構/非結構、時間序列
2.資料清理/前處理
3.探索性資料分析 - 描述統計/圖表/關聯性
4.特徵工程 - 新變數衍生
介紹IDE (Integrated Development Environment)
Python programing basics
R programing basics
[實作：生成式AI輔助操作] |
| 第6週 |
10月14日
資料科學概論(II)
5.建模與預測 - 迴歸、分類
6.資料視覺化
- Excel、Matplotlib、ggplot2
- Power BI, Tableau
7.資料倫理
[實作：生成式AI輔助操作] |
| 第7週 |
|
| 第8週 |
10月28日
機器學習概論(I)
- 何謂人工智慧、大數據、機器學習、深度學習?
- 機器學習在生活上應用、監督式、非監督式學習 |
| 第9週 |
11月04日
機器學習概論(II)
- 關聯規則及其應用
- 貝式分類法及其應用
- K鄰近分類法及其應用
- 決策樹分類法及其應用
- 隨機森林分類法及其應用
|
| 第10週 |
11月11日
資料視覺化專題
1.Power BI 介面與功能簡介
2.整合資料來源與連結
3.資料準備與清理
4.製作互動式報表
|
| 第11週 |
11月18日
中文文字探勘專題
1. 資料前處理(斷詞、停用詞)
2. Keyword Extraction關鍵字萃取
3. Sentiment Analysis情感分析
4. Topic Modeling主題模型
5. BERT- deep learning language model 自然語言深度學習模型 |
| 第12週 |
|
| 第13週 |
|
| 第14週 |
|
| 第15週 |
|
| 第16週 |
|
自主學習
內容 |
本課程為1學分，總授課時數18小時，無自主學習。 |
|
| 學習評量方式 |
| There will be 6 homework assignments corresponding to each course module. |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
|
| 課程教材（教師個人網址請列在本校內之網址） |
| You need to refer to iLearning 3.o for updated information of each class session including teaching material and announcements. |
| 課程輔導時間 |
| Upon appointment |
| 聯合國全球永續發展目標(連結網址) |
| 08.就業與經濟成長 09.工業、創新基礎建設 10.減少不平等 11.永續城市 | 提供體驗課程：Y |
|