| 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 |
| ⾸要⽬標為培養研究生在當今機械工程的領域當中所需要基本的人工智慧架構，包括資料科學、機器學習、類神經網路理論、深度學習之⼈⼯智慧觀念，並學習基礎理論內容。尤其強調嚴謹的神經網路演算推導與求解之過程，建立最根本的觀念以及應用。輔以程式之執行與實作報告。 |
| 1.具備機械領域之專業知識與獨立解決問題之能力。 |
| 2.具備創新思考、規劃並執行研究專題及表達研究成果之能力。 |
| 3.具協調跨領域人才與整合技術之能力。 |
| 4.具良好的產業國際觀。 |
| 5.具領導、管理、規劃及自我學習成長之能力。 |
|
|
|
|
| 授課內容(單元名稱與內容、習作/每週授課、考試進度-共18週) |
| 週次 |
授課內容 |
| 第1週 |
人工智慧(AI)介紹:監督式/非監督式/強化學習 |
| 第2週 |
類神經網路(ANN):感知器與偏差理論分析 |
| 第3週 |
類神經網路(ANN):感知器與激活函數理論數學 |
| 第4週 |
放假 |
| 第5週 |
類神經網路(ANN)學習正向傳播原理與理論分析 |
| 第6週 |
類神經網路(ANN)學習反向傳播原理 |
| 第7週 |
類神經網路(ANN)學習反向傳播理論分析 |
| 第8週 |
特徵工程(FE):清洗資料與統計數據 |
| 第9週 |
Midterm: term project |
| 第10週 |
特徵工程(FE):特徵粹取與特徵選取 |
| 第11週 |
卷積類神經網路(CNN)介紹 |
| 第12週 |
卷積神經網路(CNN)正向傳播理論分析 |
| 第13週 |
卷積神經網路(CNN)反向傳播理論分析 |
| 第14週 |
LSTM深度神經網路(DNN)⼈⼯智慧實務應⽤ |
| 第15週 |
TCN之深度神經網路(DNN)⼈⼯智慧實務應⽤ |
| 第16週 |
YOLO技術 |
| 第17週 |
:Final term project report |
| 第18週 |
自主學習:DL案例探討 |
|
| 學習評量方式 |
1.平時作業成績 ：佔20%(平時考/課堂練習/作業繳交)
2.期中考(報告)成績：佔40%
3.期末考(報告)成績 ：佔40% |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
1.「⽤Python進⾏基礎數學理論的實作:從零開始學習深度學習的基礎數學」，立石 賢吾著, 碁峯圖書, 2019. (textbook)
2. 「⽤Python進⾏深度學習的基礎理論實作:Deep Learning」，⿑藤康毅著,吳嘉芳翻譯出版社O’REIlly, 碁峯圖書. (reference)
3. 「跟NAVIDIA學深度學習」by Magnus Ekman 旗標出版社(F4351) (Textbook 2), 2024/01 |
| 課程教材（教師個人網址請列在本校內之網址） |
| iLearning 數位教學平台 |
| 課程輔導時間 |
| TBA |
| 聯合國全球永續發展目標(連結網址) |
|
|