| 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 |
| 矩陣計算是研讀AI、數據科學的基本工具︒本課程是研讀矩陣計算的入門，除了數據模擬的基本概念外，本課程能提供學生實用性的知識，當與實務數據結合使用時，可以解決實際的問題︒ |
|
|
|
|
| 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 |
矩陣理論分析 |
| 第2週 |
矩陣理論分析 |
| 第3週 |
SVD處理影像作壓縮 |
| 第4週 |
矩陣正交性應用：最佳化計算 |
| 第5週 |
矩陣正交性應用：最佳化計算 |
| 第6週 |
矩陣正交性應用：最佳化計算 |
| 第7週 |
Tensor Decomposition |
| 第8週 |
Tensor Decomposition |
| 第9週 |
期中作業報告 |
| 第10週 |
Clustering and NMF |
| 第11週 |
Clustering and NMF |
| 第12週 |
Classification of Handwritten Digits |
| 第13週 |
Classification of Handwritten Digits |
| 第14週 |
PCA & MDS |
| 第15週 |
PCA & MDS |
| 第16週 |
期末報告與複習
|
自主學習
內容 |
01.參與專業論壇、講座、企業分享等產官學研相關交流活動
02.閱覽產業及學術相關多媒體資料
03.製作專題報告
06.本校其它校區/分部(含實驗林場或試驗場)戶外教學參訪課程活動
|
|
| 學習評量方式 |
期中報告(50%)
期末報告(50%) |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
1. Lars Elden, Matrix Methods in Data Mining and Pattern Recognition, SIAM 2007.
2. Golub & Von Loan, Matrix Computations, 3rd Ed. , John Hopkins University, 1996.
3. Yuan Yao, A Mathematical Introduction to Data Science, Bejing University, 2014 |
| 課程教材（教師個人網址請列在本校內之網址） |
|
| 課程輔導時間 |
| 再另行公告 |
| 聯合國全球永續發展目標(連結網址) |
| 07.可負擔能源 08.就業與經濟成長 09.工業、創新基礎建設 | 提供體驗課程：Y |
|