| 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 |
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.專業知能與實務應用 |
| 2.獨立探析 |
| 3.創新研究 |
| 4.領導溝通與團隊合作 |
|
|
|
|
| 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 |
課程導論：從行動到普適 |
| 第2週 |
行動感測基礎 |
| 第3週 |
情境感知運算 |
| 第4週 |
感測數據的訊號處理與特徵工程 |
| 第5週 |
機器學習於活動辨識之應用 (一) |
| 第6週 |
深度學習於活動辨識之應用 (二) |
| 第7週 |
邊緣 AI 與邊緣運算 |
| 第8週 |
行動健康 (mHealth) |
| 第9週 |
行動人機互動 (Mobile HCI) |
| 第10週 |
行動系統中的安全性與隱私 |
| 第11週 |
專題研討與論文賞析 |
| 第12週 |
專案指導與諮詢 (一) |
| 第13週 |
專案指導與諮詢 (二) |
| 第14週 |
專案成果預演 |
| 第15週 |
專案期末成果發表 |
| 第16週 |
課程總結與未來展望 |
自主學習
內容 |
02.閱覽產業及學術相關多媒體資料
03.製作專題報告
|
|
| 學習評量方式 |
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） |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
| 本領域頂級學術會議（如 MobiSys, UbiComp/ISWC, SenSys, MDM）的最新研究論文 |
| 課程教材（教師個人網址請列在本校內之網址） |
|
| 課程輔導時間 |
| By appointment |
| 聯合國全球永續發展目標(連結網址) |
|
|