機器學習實務
Teacher: 周信宏
2020/05/25
9Hours/7Weeks (Course is Time End)

Abstract

本課程內容包含:人工智慧技術演進、深度學習多層神經網路(DNN)和卷積神經網路(CNN)的模型原理,以及相關套件(Tensorflow, Keras)的實作方法。資料視覺化呈現、資料前處理和常用機器學習(MLP, Random Forest, Logistic Regression, SVM等)的原理和實作方法。使同學具備影像和數據資料的模型訓練、分類、預測和評估的技術。

Course Objective

本課程目標在培養同學具備深度學習和數據分析實作能力,以滿足產業AI人才技能的需求。

 Instructor

  • 教師姓名:周信宏
  • 教師簡介

【學歷】國立臺灣大學資訊工程學系博士

【經歷】

  • 長榮大學資訊暨設計學院人工智慧研究中心/主任
  • 長榮大學資訊管理學系/助理教授/系主任
  • 台灣電腦對局學會(TCGA)/理事
  • 財團法人資訊工業策進會-雲端服務暨巨量資料產業發展計畫/AI與數據應用領域專家顧問
  • 智慧城鄉生活應用發展計畫-人工智慧應用(AI)融合大影像與多來源資料之智慧診斷服務計畫/技術顧問

【專業】圖形演算法、電腦對局、人工智慧、深度學習、數據分析、生物資訊

Course Schedule

第1週:人工智慧的進展/什麼是機器學習?

第2週:類神經網路/MLP案例實作

第3週:卷積式神經網路/CNN影像辨識案例實作

第4週:資料處理工具介紹/MLP數據分析案例實作

第5週:監督式學習/機器學習工具

第6週:監督式學習實作(I)/監督式學習實作(II)

第7週:非監督式學習

Course Contents

一、人工智慧的進展
二、什麼是機器學習?
三、類神經網路
四、MLP案例實作
五、卷積式神經網路
六、CNN影像辨識案例實作
七、資料處理工具介紹
八、MLP數據分析案例實作
九、監督式學習
十、機器學習工具
十一、監督式學習實作(I)
十二、監督式學習實作(II)
十三、非監督式學習

Course Mode

本課程分為13個主要單元,每個單元依據學習份量,有數段10-15分鐘左右的視頻影片。每個單元內容提供隨堂測驗及議題討論,以幫助學習者快速確認是否瞭解上課內容;每週另有主題作業用以考核學習成果。

Grading Policy

  • 課程及格標準:  60   滿分: 100 
  • 線上觀看影音教材(10%):提升學生自主學習動機,根據瀏覽紀錄進行評分。 
  • 隨堂測驗(30%):針對回答的正確性進行評分。 
  • 議題討論(20%):

1.學習者針對議題回應 。
2.同儕推薦及回饋 學習者發起課程相關議題或分享作業成果,並由其他學習者進行推薦或回應。 

  • 主題作業(20%):針對作業主題學習模型的效率進行評分。 
  • 總結性評量(20%):針對作業主題設定的創意性和可行性、資料蒐集的豐富性及學習模型的效率進行評分。

Passing Criteria


Course Passing Grade:60 Full Score 100 point

Prerequisites

學員必須具備Python程式語言的能力。

Course Suggest

  • Python機器學習(第二版),Sebastian Raschka, Vahid Mirjalili原著,  劉立民、吳建華編譯,博碩出版社,出版日期:2018/08/30。
  • 機器學習-工作現場的評估、導入與實作,有賀康顕、中山心太、西林孝原著,許郁文翻譯,歐萊禮出版社,出版日期:2018/09/06。
  • 機器學習:特徵工程,Alice Zheng, Amanda Casari原著,歐萊禮出版社,出版日期:2020/04/30。

Certificate

本課程修課通過證明費用:500元

如何申請及下載證書?