| 週次 |
授課內容 |
| 第1週 |
人工智慧與機器學習概述。包含：問題描述與建模、商用軟體與公用資料集介紹、參考書籍等。 |
| 第2週 |
教育大數據分析數學基礎(I)。包含：線性代數、訊息理論、機率。 |
| 第3週 |
教育大數據分析數學基礎(II)。包含：基礎深度類神經網路模型運作介紹。 |
| 第4週 |
教育大數據分析數學基礎(III)。包含：各項Loss function的目標特性與所適合問題。 |
| 第5週 |
教育大數據分析數學基礎(IV)。包含：進階深度類神經網路介紹一。 |
| 第6週 |
教育大數據分析數學基礎(V)。包含：進階深度類神經網路介紹二。
HW#1: 小組閱讀論文書面心得報告，限NIPS，CVPR，ICCV，ECCV，ICLR等頂級會議論文。
|
| 第7週 |
教育大數據分析資料處理(I)。包含：資料流形(data manifold construction)的建立與資料降維(multi-dimensional scaling)。 |
| 第8週 |
教育大數據分析資料處理(II)。包含：標記雜訊的更正技術(Label noise correction methods) |
| 第9週 |
教育大數據分析資料處理(III)。包含：資料特徵擷取與資料合成(feature extraction and data synthesis)技術介紹。 |
| 第10週 |
教育大數據分析資料處理(IV)。包含：資料不確定性、異常/新奇檢測、主動式學習(data uncertainty, anomaly/novelty detection, and active learning)技術介紹。 |
| 第11週 |
教育大數據分析資料處理(IV)。包含：近年深度類神經網路延伸應用的論文技術實例。 |
| 第12週 |
課堂報告：第二次小組閱讀論文報告，書面與口頭並行。 |
| 第13週 |
社群網路分析對教育大數據分析的關聯性簡介( introduction to social network analysis )。 |
| 第14週 |
網路分析基礎(I): graph representation，接鄰矩陣，graph Laplacian等 |
| 第15週 |
網路分析基礎(II): measure and metrics, centralities (一)。 |
| 第16週 |
網路分析基礎(II): measure and metrics, centralities (二)。 |
| 第17週 |
教育大數據資料分析實例: 以國外高中生霸凌資料分析為例 (一)。視課程進度，可能會調整成自主學習週。 |
| 第18週 |
教育大數據資料分析實例: 以國外高中生霸凌資料分析為例 (二)。視課程進度，可能會調整成自主學習週。 |