| 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 |
| 本課程的目標在於訓練學生了解機器學習的概觀了解以及具有機器學習的基本能力，並能用於開發機器學習系統。至於各個深入議題，將由其他課程承接。 |
| 1.專業知識與應用 |
| 2.獨立分析 |
| 3.創意 |
| 4.英語 |
| 5.全球意識 |
| 6.溝通與協調 |
| 7.企業倫理 |
|
|
|
|
| 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 |
What is machine learning?
|
| 第2週 |
Introduction to Machine Learning |
| 第3週 |
Important Elements in Machine Learning.
Fundamentals in Math. -- Linear Algebra. |
| 第4週 |
Important Elements in Machine Learning.
|
| 第5週 |
Feature Selection and Feature Engineering.
|
| 第6週 |
Linear Regression.
|
| 第7週 |
Logistic Regression.
|
| 第8週 |
Logistic Regression.
|
| 第9週 |
Midterm exam |
| 第10週 |
Naive Bayes
Imbalanced Data
|
| 第11週 |
Ensemble Learning |
| 第12週 |
Support Vector Machines.
|
| 第13週 |
A Brief Introduction to Deep Learning and Tensorflow.
|
| 第14週 |
A Brief Introduction to Deep Learning and Tensorflow. |
| 第15週 |
Clustering Fundamentals.
|
| 第16週 |
Final exam.
Hierarchical Clustering
Introduction to Recommendation Systems |
自主學習
內容 |
02.閱覽產業及學術相關多媒體資料
可以自行選擇“生成式人工智慧”或者“強化式學習”這兩個主題去尋找適合自己的內容。不論你選擇的是什麼，記得一個原則：新的科技不斷地變化，增強自己的“自學能力”是一項利器，學完了之後可以試著把他們實作出來。 |
|
| 學習評量方式 |
Class Participation & Quizs: 25%.
Homeworks: 25%.
Midterm Exam: 25%.
Final Exam: 25%. |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
Text Book: Giuseppe Bonaccorso, ”Machine Learning Algorithms”, Packt Publishing, 2017.
Reference Books:
賴屹民譯, 初探機器學習演算法, 碁峰, 2017. (宋先生；ben_song@gotop.com.tw) |
| 課程教材（教師個人網址請列在本校內之網址） |
| https://xml.nchu.edu.tw/~jlu/classes/ml/ |
| 課程輔導時間 |
| Wed. 14:00~15:00 |
| 聯合國全球永續發展目標(連結網址) |
| 03.健康與福祉 04.教育品質 08.就業與經濟成長 09.工業、創新基礎建設 17.全球夥伴 | 提供體驗課程：Y |
|