| Relevance of Course Objectives and Core Learning Outcomes(%) |
Teaching and Assessment Methods for Course Objectives |
| Course Objectives |
Competency Indicators |
Ratio(%) |
Teaching Methods |
Assessment Methods |
修習本課程後，學生應能具備以下核心能力：
1. 系統性知識建構： 能夠闡述行動與普適運算領域的核心理論、關鍵技術挑戰與未來發展趨勢，並能整合來自感測、機器學習、網路與人機互動等多個子領域的知識，形成一個完整的學術框架。
2. 批判性文獻分析： 能夠獨立閱讀、理解並批判性地分析本領域的頂級學術論文。學生將學習如何解構一篇研究論文的貢獻、評估其研究方法與實驗設計的嚴謹性，並提出具有洞見的評論與未來研究方向。
3. 研究問題定義與系統設計： 能夠從現有文獻中發掘未解的研究缺口 (research gap)，並據此定義出一個具體、可行的研究問題。學生將學習如何設計一個新穎的行動運算系統，以應對此問題，並能權衡設計中的各項技術取捨。
4. 原型開發與實證評估： 能夠以小組形式，將研究構想實作成一個功能性的系統原型 (prototype)，並設計與執行初步的實證評估（如使用者研究或系統效能分析），以驗證其設計的有效性。
5. 學術溝通與表達： 能夠透過口頭報告與書面寫作，清晰、準確地闡述複雜的技術概念與研究成果。學生將在課堂報告與專案報告中，反覆練習如何進行結構化的學術表達與專業的學術思辨。
|
| 1.Professional Knowledge and Practical Application |
| 2.Independent Analysis |
| 3.Innovative Research |
| 4.Leadership、communication and teamwork |
|
|
| topic Discussion / Production |
| Discussion |
| Lecturing |
|
| Attendance |
| Oral Presentation |
| Study Outcome |
| Internship |
|
| Course Content and Homework/Schedule/Tests Schedule |
| Week |
Course Content |
| Week 1 |
課程導論：從行動到普適 |
| Week 2 |
行動感測基礎 |
| Week 3 |
情境感知運算 |
| Week 4 |
感測數據的訊號處理與特徵工程 |
| Week 5 |
機器學習於活動辨識之應用 (一) |
| Week 6 |
深度學習於活動辨識之應用 (二) |
| Week 7 |
邊緣 AI 與邊緣運算 |
| Week 8 |
行動健康 (mHealth) |
| Week 9 |
行動人機互動 (Mobile HCI) |
| Week 10 |
行動系統中的安全性與隱私 |
| Week 11 |
專題研討與論文賞析 |
| Week 12 |
專案指導與諮詢 (一) |
| Week 13 |
專案指導與諮詢 (二) |
| Week 14 |
專案成果預演 |
| Week 15 |
專案期末成果發表 |
| Week 16 |
課程總結與未來展望 |
self-directed
learning |
02.Viewing multimedia materials related to industry and academia.
03.Preparing presentations or reports related to industry and academia.
|
|
| Evaluation |
1. 上課參與：60% (包括閱讀、發言、報告...等，注意只有出席但沒做發言或是報告的話是不會有任何分數。)
2. 期末專題：40% (會按照比例貢獻給分） |
| Textbook & other References |
| 本領域頂級學術會議（如 MobiSys, UbiComp/ISWC, SenSys, MDM）的最新研究論文 |
| Teaching Aids & Teacher's Website |
|
| Office Hours |
| By appointment |
| Sustainable Development Goals, SDGs(Link URL) |
| include experience courses：N |
|