109年第1學期-5443 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	15
作業	55
期末報告	20
出席與點名	10

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 enables computers to learn without being explicitly programmed. From the computer science point of view, unlike computational statistics dealing with prediction-making or data mining focusing on data-exploring, machine learning uses data to iteratively detect patterns and adjust models accordingly. This introductory course provides students an overview of the field of machine learning, as well as of its fundamental concepts and algorithms from practical perspective. Usually, machine learning algorithms are categorized as being supervised or unsupervised. Some of the important topics include (1) Supervised learning (Linear and Logistic Regressions, Classification and Regression Trees, Support Vector Machines, and Neural Networks). (2) Unsupervised learning (Association Rules and Cluster Analysis). (3) Others (Boosting and Random Forests).

基本資料

選修課，學分數：3-0
上課時間：四/6,7,8[ST527]
修課班級：應數系3,4碩1,2
修課年級：年級以上
選課備註：大學部可抵專題，3-4年級可修

參考書目

Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, 2016,The MIT Press