107年第2學期-5476 機器學習 課程資訊

評分方式

評分項目 配分比例 說明
隨堂測驗 20
作業 60
期末考試 20

選課分析

本課程名額為 30人,已有11 人選讀,尚餘名額19人。


登入後可進行最愛課程追蹤 [按此登入]。

授課教師

黃韋強

教育目標

機器學習是大數據時代下資料科學快速發展的研究課題,其應用範圍含括在工程、生醫、社會經濟與工程領域,在加速解決許多既有問題時,也創造出更多的應用。數據科學包含數學與統計方法,計算機軟硬體,以及應用領域知識等三個面向,掌握數學科學分析工具是大數據研究的基本技能,而了解其背後數學與統計的基本原理,可更有效率針對資料特性去選擇正確的模型進行分析。   本課程以Python套件Scikit-learn作為機器學習軟體實作入門,其內容含括: 1.監督式學習 (1)迴歸模型:簡單線性迴歸,多變數線性迴歸,多項式迴歸 (2)分類模型:邏輯迴歸,支持向量機,貝氏分類器,決策樹,隨機森林 2.非監督式學習 (1)分群模型:K-means (2) 特徵降微:主成分分析 3.機器學習實作上會面臨的問題與解決的辦法,包含資料前處理、超參數調教、偏差與變異、欠擬合、過度擬合以及學習曲線、測試曲線的行為。   此外,在有了機器學習基本概念後,我們將學習由Keras實作人工神經網路(ANN)、深度學習(DNN)與卷積神經網路(CNN),包含迴歸分析、手寫數字辨識、影像識別等人工智慧實務應用,並了解其背後直觀的數學意義與技巧。

課程概述

Machine learning is the science of data analysis that automates a massive number of models building. Its process uses data to iteratively detect patterns and adjust models accordingly, and enables computers to learn without explicitly programmed. This course introduces some important concepts and algorithms of machine learning from both theoretical and practical perspective. The topics include, but not limited to: (1) Supervised learning (Linear Models for Regression and Classification, Kernel Smoothing Methods, Decision Trees, Support Vector Machines, and Neural Networks). (2) Unsupervised learning (Association Rules and Cluster Analysis). (3) Ensemble learning (Bagging, Boosting, Random Forests). (4) Others (MCMC, Optimization Integration).

課程資訊

參考書目

G. James, D. Witten, T. Hastie and R. Tibshirani. An Introduction to Statistical Learning: with Applications in R (2013). Springer-Verlag.

開課紀錄

您可查詢過去本課程開課紀錄。 機器學習歷史開課紀錄查詢