107年第2學期-1166 軟式計算 課程資訊

評分方式

評分項目 配分比例 說明
課堂參與 15
課堂作業 35
期中考 25
期末專題 25

選課分析

本課程名額為 70人,已有70 人選讀,尚餘名額0人。


登入後可進行最愛課程追蹤 [按此登入]。

授課教師

焦信達

教育目標

傳統計算的主要特徵是嚴格、確定和精確,但其並不適合處理現實生活中的許多問題,例如駕駛汽車、下棋、家電控制…等。但軟式計算基於其不確定、不精確及不完全真值的容錯特性,可提供低成本的方案解決許多日常生活中的問題。本課程將介紹軟式計算的基本原理、相關計算模式,及其在人工智慧與機器學習領域的應用。本課程將介紹的軟式計算的計算模式主要包括了: Neural networks、fuzzy logic、evolutionary computation、simulated annealing、swarm intelligence…等。此外,在機器學習領域,本課程將著重介紹強化學習 (reinforcement learning),其靈感發源於心理學的行為主義,有機體在環境給予的獎勵或懲罰的刺激下,逐步形成對刺激的預期,因而產生能獲得最大利益的習慣性行為。強化學習和傳統的監督式學習 (supervised learning) 間的主要區別在於,它在學習時並不需要使用完全正確的輸入/輸出樣本資料,故其需要在未知領域探索和遵從現有知識間找到平衡。強化學習在許多問題上得到應用,包括機器人控制、電梯調度、電信通訊及下棋...等。近年來比較知名的應用包括了: Alpha Go/Alpha Zero、DeepMind 的跑酷機器人、爲 Google 的能源中心節能...等。本課程將搭配相關工具軟體的實際演練,讓學生未來可易於將所學套用在研究與工作上。

課程資訊

參考書目

1. Sebastian Raschka,‎ Vahid Mirjalili, Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd Edition, Packt Publishing Limited., September 20, 2017.
2. Prateek Joshi, Artificial Intelligence with Python, Packt Publishing Limited., January 2017.
3. Sudharsan Ravichandiran, Hands-On Reinforcement Learning with Python, Packt Publishing Limited., June 2018.

開課紀錄

您可查詢過去本課程開課紀錄。 軟式計算歷史開課紀錄查詢