| 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 |
| Students will learn the foundational concepts and practical algorithms of data mining, including data preprocessing, association rule mining, classification, clustering, and anomaly detection. |
| 1.具備資訊科學素養、資訊理論與數學分析之能力 |
| 3.具備分析、設計與實作資訊軟體系統之能力 |
| 4.具備分析、設計與整合資訊應用系統之能力 |
| 6.具備自我學習、溝通協調與團隊合作之能力 |
| 7.具備資料蒐集、獨立思考、解決問題及研究創新之能力 |
|
|
|
|
| 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 |
Introduction to Data Mining |
| 第2週 |
Data Preprocessing |
| 第3週 |
Mining Frequent Patterns and Associations: Basics of Association Rule |
| 第4週 |
Mining Frequent Patterns and Associations: Apriori and FP-Tree |
| 第5週 |
Classification: Decision Tree and Bayes Classification |
| 第6週 |
Classification: KNN and SVM |
| 第7週 |
Classification: Evaluation / Project Proposal |
| 第8週 |
Clustering: K-Means and Hierarchical Clustering |
| 第9週 |
Clustering: Density-based Methods and Model-based Methods |
| 第10週 |
Midterm Exam |
| 第11週 |
Python Tools for Data Mining |
| 第12週 |
Deep Learning |
| 第13週 |
Outlier Detection |
| 第14週 |
Recommendation |
| 第15週 |
Social Network Mining |
| 第16週 |
Project Presentation
|
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 |
Assignment: 30%
Midterm Exam: 30%
Project: 40% |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
Data Mining: Concepts and Techniques, 4/e
Jiawei Han , Jian Pei , Hanghang Tong
|
| 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 |
| 請寄email與授課老師安排課程輔導時間 |