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 |
矩陣計算是研讀AI、數據科學的基本工具︒本課程是研讀矩陣計算的入門,除了數據模擬的基本概念外,本課程能提供學生實用性的知識,當與實務數據結合使用時,可以解決實際的問題︒ |
|
|
|
|
授課內容(單元名稱與內容、習作/每週授課、考試進度-共18週) |
週次 |
授課內容 |
第1週 |
矩陣理論分析 |
第2週 |
矩陣理論分析 |
第3週 |
SVD處理影像作壓縮 |
第4週 |
矩陣正交性應用:最佳化計算 |
第5週 |
矩陣正交性應用:最佳化計算 |
第6週 |
矩陣正交性應用:最佳化計算 |
第7週 |
Tensor Decomposition |
第8週 |
Tensor Decomposition |
第9週 |
期中作業報告 |
第10週 |
Clustering and NMF |
第11週 |
Clustering and NMF |
第12週 |
Classification of Handwritten Digits |
第13週 |
Classification of Handwritten Digits |
第14週 |
PCA & MDS |
第15週 |
PCA & MDS |
第16週 |
期末報告與複習 |
第17週 |
|
第18週 |
|
|
學習評量方式 |
期中報告(50%)
期末報告(50%) |
教科書&參考書目(書名、作者、書局、代理商、說明) |
1. Lars Elden, Matrix Methods in Data Mining and Pattern Recognition, SIAM 2007.
2. Golub & Von Loan, Matrix Computations, 3rd Ed. , John Hopkins University, 1996.
3. Yuan Yao, A Mathematical Introduction to Data Science, Bejing University, 2014 |
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 |
再另行公告 |
聯合國全球永續發展目標 |
07.可負擔能源   09.工業、創新基礎建設 | 提供體驗課程:N |
|