| Relevance of Course Objectives and Core Learning Outcomes(%) |
Teaching and Assessment Methods for Course Objectives |
| Course Objectives |
Competency Indicators |
Ratio(%) |
Teaching Methods |
Assessment Methods |
| 讓學生學習到類神經網路之基本架構與其進階模型、模型訓練與模型權重最佳化方法、深度類神經網路 (捲積神經網路、遞歸神經網路、生成對抗網路、注意力機制、transformer模型)。此外也包含資料前處理、目前常用的機器學習模型與集成式學習方法、模型訓練策略、模型學習策略(領域適應、小樣本學習、對比學習)、模型效能評估方法等。本課程也會以MATLAB程式語言來讓學生實作相關類神經網路應用之範例，使學生具有基礎與實作之能力。 |
| 3.Professional Knowledge in Data Science |
| 4.Mathematical and Statistical Software Skills |
|
|
| topic Discussion / Production |
| Discussion |
| Practicum |
| Lecturing |
|
| Written Presentation |
| Attendance |
| Oral Presentation |
| Assignment |
|
| Course Content and Homework/Schedule/Tests Schedule |
| Week |
Course Content |
| Week 1 |
機器學習與類神經網路簡介 |
| Week 2 |
經典機器學習模型簡介與訓練策略 |
| Week 3 |
集成式學習簡介與經典機器學習模型實作 (上機) |
| Week 4 |
基本類神經網路與反向傳播方法 |
| Week 5 |
基本類神經網路實作 (NNtool上機) |
| Week 6 |
自編碼網路簡介與實作 (AE、SAE、CAE、VAE、上機) |
| Week 7 |
捲積神經網路 1 (alexnet、GoogleNet、Resnet、IR net、DenseNet、ResNeXt) |
| Week 8 |
捲積神經網路 2 (SE-net、CBAM、NasNet、MobileNet、Efficient Net、Unet) |
| Week 9 |
遷移式學習簡介與實作 (上機) |
| Week 10 |
捲積神經網路與注意力機制 |
| Week 11 |
捲積神經網路與物件偵測 (Faster RCNN與yolo系列) |
| Week 12 |
遞歸神經網路與時序訊號之應用 (RNN與LSTM) |
| Week 13 |
生成對抗網路 (GAN、DCGAN、CGAN、cycle GAN) |
| Week 14 |
transformer模型及其應用 (BERT、LLM、VIT) |
| Week 15 |
模型學習之策略方法(領域適應、小樣本學習、對比學習) |
| Week 16 |
期末實作專題報告 |
self-directed
learning |
03.Preparing presentations or reports related to industry and academia.
|
|
| Evaluation |
課堂作業 40%
期末論文簡報 35%
期末專題報告 25% |
| Textbook & other References |
參考用書：
深度學習－從入門到實戰(使用MATLAB)(附範例光碟)
作者: 郭至恩
全華圖書 ISBN：9789865034313 |
| Teaching Aids & Teacher's Website |
| https://sites.google.com/view/aipc--lab/%E9%A6%96%E9%A0%81 |
| Office Hours |
| 再另行公告 |
| Sustainable Development Goals, SDGs(Link URL) |
| include experience courses：N |
|