| 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.建立人工智慧基礎知識: 使學生理解人工智慧與機器學習的基本原理與核心概念，包括傳統方法與現代深度學習架構。
2.培養程式實作能力: 透過課堂中逐步講解的 NumPy 程式範例，讓學生能獨立撰寫、執行並改良程式碼，增進演算法實作能力。
3.掌握經典模型應用:訓練學生應用並實驗多種人工智慧模型，包括 Decision Tree、Neural Network (NN)、Convolutional Neural Network (CNN)、Recurrent Neural Network (RNN) 等，深入理解其網路架構與功能差異。
4.奠定深度學習進階學習基礎: 幫助學生在課程中累積完整的程式實作經驗與基礎知識，為後續更高階的深度學習與人工智慧應用課程做好準備。
|
| 1.運用數學、物理、科學及電機資訊領域之能力。 |
| 2.分析、設計與整合電機資訊相關系統之能力。 |
| 3.執行電機資訊實務所需之技術及相關軟硬體工具之能力。 |
|
|
|
|
| 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 |
課程介紹與Python / Colab 環境 |
| 第2週 |
Python語法快速入門 |
| 第3週 |
NumPy框架與資料處理 |
| 第4週 |
機器學習概念介紹 |
| 第5週 |
決策樹 (Decision Tree) |
| 第6週 |
決策樹 (Decision Tree) |
| 第7週 |
基礎貝氏分類器 (Naive Bayes) 與 貝氏信念網路 (Bayesian Belief Network, BBN) |
| 第8週 |
sklearn框架介紹與Decision tree/BBN 實作 |
| 第9週 |
神經網路 (MLP) |
| 第10週 |
深度神經網路基本原理 |
| 第11週 |
使用Numpy實作MLP |
| 第12週 |
卷積神經網路 (CNN)基本結構 |
| 第13週 |
卷積神經網路 (CNN)與Numpy實作 |
| 第14週 |
循環神經網路 (RNN) |
| 第15週 |
循環神經網路 (RNN) 與使用Numpy實作RNN |
| 第16週 |
強化學習基礎 QLearning
深度強化學習 DQN
應用: 物件偵測 (YOLO) |
自主學習
內容 |
|
|
| 學習評量方式 |
| 程式作業與報告 100% |
| 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） |
| 投影片和範例(ilearning) |
| 課程輔導時間 |
| 週三9:00 am - 11:00 amam |
| 聯合國全球永續發展目標(連結網址) |
| 01.消除貧窮 09.工業、創新基礎建設 10.減少不平等 | 提供體驗課程：N |
|