| 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.培養基礎之Python程式能力
2.培養應用資料探勘技術輔助決策分析之能力 |
|
|
|
|
| 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 |
| 第2週 |
Python基礎教學 |
| 第3週 |
探索式資料分析EDA |
| 第4週 |
Classification I |
| 第5週 |
Classification II |
| 第6週 |
神經網路 I |
| 第7週 |
神經網路 II |
| 第8週 |
期末專題之提案報告與討論 |
| 第9週 |
期中考 |
| 第10週 |
卷積神經網路 I |
| 第11週 |
卷積神經網路 II |
| 第12週 |
自然語言處理與大型語言模型 I |
| 第13週 |
自然語言處理與大型語言模型 II |
| 第14週 |
個人期末專題報告 |
| 第15週 |
個人期末專題報告 |
| 第16週 |
個人期末專題報告 |
自主學習
內容 |
Python線上學習網站: Codecademy |
|
| 學習評量方式 |
課堂參與(10%)
作業(30%)：機器學習實作練習，如EDA、分類預測、神經網路搭建等。
期中考試(30%)
個人期末專題報告(30%)：學生自由選擇感興趣之主題，進行資料分析與機器學習預測任務
|
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
| I. Goodfellow and Y. Bengio and A. Courville, Deep Learning, The MIT Press, 2016 (http://www.deeplearningbook.org) |
| 課程教材（教師個人網址請列在本校內之網址） |
| 自行編撰之教材，將於每周課前上傳至iLearning |
| 課程輔導時間 |
| 星期五 10:00~12:00 (請提前來信) |