| 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 |
| 讓學生學習到類神經網路之基本架構與其進階模型、模型訓練與模型權重最佳化方法、深度類神經網路 (捲積神經網路、遞歸神經網路、生成對抗網路、注意力機制、transformer模型)。此外也包含資料前處理、目前常用的機器學習模型與集成式學習方法、模型訓練策略、模型學習策略(領域適應、小樣本學習、對比學習)、模型效能評估方法等。本課程也會以MATLAB程式語言來讓學生實作相關類神經網路應用之範例，使學生具有基礎與實作之能力。 |
|
|
|
|
| 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 |
機器學習與類神經網路簡介 |
| 第2週 |
經典機器學習模型簡介與訓練策略 |
| 第3週 |
集成式學習簡介與經典機器學習模型實作 (上機) |
| 第4週 |
基本類神經網路與反向傳播方法 |
| 第5週 |
基本類神經網路實作 (NNtool上機) |
| 第6週 |
自編碼網路簡介與實作 (AE、SAE、CAE、VAE、上機) |
| 第7週 |
捲積神經網路 1 (alexnet、GoogleNet、Resnet、IR net、DenseNet、ResNeXt) |
| 第8週 |
捲積神經網路 2 (SE-net、CBAM、NasNet、MobileNet、Efficient Net、Unet) |
| 第9週 |
遷移式學習簡介與實作 (上機) |
| 第10週 |
捲積神經網路與注意力機制 |
| 第11週 |
捲積神經網路與物件偵測 (Faster RCNN與yolo系列) |
| 第12週 |
遞歸神經網路與時序訊號之應用 (RNN與LSTM) |
| 第13週 |
生成對抗網路 (GAN、DCGAN、CGAN、cycle GAN) |
| 第14週 |
transformer模型及其應用 (BERT、LLM、VIT) |
| 第15週 |
模型學習之策略方法(領域適應、小樣本學習、對比學習) |
| 第16週 |
期末實作專題報告 |
自主學習
內容 |
03.製作專題報告
|
|
| 學習評量方式 |
課堂作業 40%
期末論文簡報 35%
期末專題報告 25% |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
參考用書：
深度學習－從入門到實戰(使用MATLAB)(附範例光碟)
作者: 郭至恩
全華圖書 ISBN：9789865034313 |
| 課程教材（教師個人網址請列在本校內之網址） |
| https://sites.google.com/view/aipc--lab/%E9%A6%96%E9%A0%81 |
| 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) |
|
|