108年第2學期-1049 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57 人選讀,尚餘名額13人。
登入後可進行最愛課程追蹤 [按此登入]。
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
基本資料
選修課,學分數:0-3
上課時間:四/5,6,7[C104]
修課班級:資工系3,4
修課年級:年級以上
選課備註:軟工組分組選修
教師與教學助理
授課教師:焦信達
大班TA或教學助理:尚無資料
Office Hour上課前或上課後 30 分鐘,或另行約定晤談時間
授課大綱
授課大綱:開啟授課大綱(授課計畫表)
(開在新視窗)
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