| 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. 了解機器學習演算法的數學和統計知識。
2. 在構建函數過程中設計和評估監督與無監督模型。
3. 評估各種透過預處理特徵工程之機器學習模型。
4. 瞭解神經網路模型的基本概念並進行設計。
|
|
|
|
|
| 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 |
Introduction |
| 第2週 |
Introduction - Supervised Machine Learning with Scikit-Learn |
| 第3週 |
Decision Tree |
| 第4週 |
Linear Regression |
| 第5週 |
Logistic Regression |
| 第6週 |
Random Forest |
| 第7週 |
SVM
|
| 第8週 |
Working with Real Data |
| 第9週 |
Hyperparameter Adjustment |
| 第10週 |
Mini-Project |
| 第11週 |
Introduction - Deep Learning with tf.Keras |
| 第12週 |
Images and Neural Nets
|
| 第13週 |
CNN |
| 第14週 |
Reinforcement Learning |
| 第15週 |
Learning Theory |
| 第16週 |
Practical Considerations
Final Project Presentation
Final Project Presentation |
自主學習
內容 |
|
|
| 學習評量方式 |
| Homework (30%), Midterm (35%), Project (35%). |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
Textbook: PPT course materials (modified from CIS 419/519 Applied ML (Penn. Engineering)).
Other References:
1. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition, by Aurélien Géron, O’Reilly Media, 2022.
2. 必學！Python 資料科學‧機器學習最強套件：NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras (石川聡彦、旗標、2021) |
| 課程教材（教師個人網址請列在本校內之網址） |
| ~ iLearning ~ |
| 課程輔導時間 |
| TBD |
| 聯合國全球永續發展目標(連結網址) |
|
|