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。
周信宏/副教授
【現職】國立暨南國際大學資訊工程系(原任職長榮大學資訊暨設計學院)【學歷】國立臺灣大學資訊工程學系博士【經歷】暨南國際大學資訊工程系/副教授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
第1周:一、人工智能的进展/二、什么是机器学习?
第2周:三、类神经网络/四、MLP案例实作
第3周:五、卷积式神经网络
第4周:六、CNN影像辨识案例实作
第5周:七、数据处理工具介绍
第6周:八、MLP数据分析案例实作
第7周:九、监督式学习
第8周:十、机器学习工具
第9周:十一、监督式学习实作(I)/十二、监督式学习实作(II)
第10周:十三、非监督式学习
第11周:学习缓冲周(5/10-5/16)
二、什么是机器学习?2.1 机器学习的类型2.2 机器学习系统的建构准则2.3 Python程序开发环境安装与设置
三、类神经网络3.1 神经元结构3.2(I) 多层感知网络(MLP)概念3.2(II) 多层感知网络(MLP)概念3.3 MLP模型架构
四、MLP案例实作4.1 MNIST手写字数据集介绍4.2 MLP模型建置流程4.3 MLP模型训练与评估
五、卷积式神经网络5.1 影像卷积处理概念5.2 卷积式神经网络(CNN)概念5.3 CNN模型架构5.4 CNN经典模型介绍
六、CNN影像辨识案例实作6.1 Cifar-10数据集介绍6.2 CNN模型建置流程6.3 CNN模型训练与评估6.4 常用的OpenCV影像处理功能介绍
七、数据处理工具介绍7.1 数据可视化工具:Numpy7.2 数据处理工具(I):Pandas7.3 数据处理工具(II):Matplotlib八、MLP数据分析案例实作8.1 Iris(鸢尾花)数据集介绍8.2 MLP模型建置流程8.3 MLP模型训练与评估
九、监督式学习9.1 决策树与随机森林(Random Forest, RF)9.2 罗吉斯回归(Logistic Regression, LR)9.3 支持矢量机(Support Vector Machine, SVM)9.4 K-近邻算法(k-Nearest Neighbor, KNN)9.5 贝氏分类器(Naive Bayes Classification)
十、机器学习工具10.1 Scikit-learn Logistic Regression10.2 Scikit-learn Random Forest Classifier10.3 Scikit-learn Support Vector Classifier10.4 Scikit-learn Kneighbors Classifier10.5 Scikit-learn GaussianNB和MultinomialNB
十一、监督式学习实作(I)11.1 威斯康辛乳癌数据集介绍11.2 LR模型建置流程11.3 RF模型建置流程
十二、监督式学习实作(II)12.1 SVC模型建置流程12.2 装袋法Bagging整体学习12.3 投票法Voting整体学习
十三、非监督式学习13.1 K-mean分群法13.2 K-Means实作13.3 DBSCAN分群法13.4 DBSCAN实作
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,總影音時數10小時。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。
參考學習時數:各校抵認學分的規定不盡相同,以各校規定為主;在此僅提供預估之學習時數供參。
課程及格標準: 60 分 滿分: 100分
學員必須具備Python程式語言的能力。