教學大綱表
請遵守智慧財產權，勿使用非法影印教科書，避免觸法。
課程名稱 (中文) 機器學習
(英文) Machine Learning 		開課單位 資訊工程研究所
課程代碼 I5790
授課教師 鄭福炯
學分數 3.0 必/選修 選修 開課年級 研究所
先修科目或先備能力：程式語言、資料結構、資料庫系統
課程概述與目標：課程概述：講授機器學習之原理與其相關應用，包括資料收集、資料呈現、資料分析、貝式決策法則、圖形辨識、電腦視覺與資料採礦、機器學習與深度學習的原理與應用。
課程目標：
1. 學生能資料收集，運用數據分析的理論方法
2. 學生能了解機器學習的原理與應用
3. 學生能了解深度學習的原理與應用

教科書 Learning from Data: A Short Course
Y. Abu-Mostafa (Caltech), M. Magdon-Ismail (RPI), H.-T. Lin (NTU)
參考教材 1. Miroslav Kubat, An Introduction to Machine Learning, Springer, 2017
2. José Unpingco, Python for Probability, Statistics, and Machine Learning, Springer, 2016
圖書館電子書 1. https://link.springer.com/book/10.1007%2F978-3-319-63913-0
2. https://link.springer.com/book/10.1007%2F978-3-319-30717-6
課程大綱 學生學習目標 單元學習活動 學習成效評量 備註
週 單元主題 內容綱要
1 簡介 1. 何謂機器學習
2. 機器學習之分類
3. 機器學習之應用 		認識本課程將討論之各項主題，並簡要的複習相關數學
  • 講授
    •      		 
    2 建立資料收集、呈現、分析環境 1. 安裝資料分析Tableau desktop工具.
    2. Tableau 功能介紹     		1. 培養學生能夠安裝與使用Tableau工具的能力
  • 實作
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    3 資料蒐集 1. Excel 資料蒐集
    2. Tabluau 資料蒐集     		1. 了解資料收集的方法
    2. 培養資料蒐集的能力
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    4 資料收集、資料呈現、資料分析 1. 資料的蒐集與資料的預處理
    2. 利用工具呈現資料
    3. 建置資料儀表板     		1. 具有資料的蒐集的能力
    2. 具有資料的預處理的能力
    3. 具有資料的呈現的能力
    4. 具有建置資料儀表板的能力
  • 個案研究
  • 心得發表
  • 實作
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    5 建立機器學習環境 1. 安裝Anaconda
    2. 建立Anaconda虛擬環境
    3. 安裝TensorFlow、Keras     		1. 培養學生能夠安裝與使用機器學習環境工具的能力
  • 實作
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    6 監督式學習 – 迴歸與分類 1. 線性與非線性迴歸監督式學習 1. 理解線性與非線性迴歸監督式學習
    2. 具有實作監督式學習的能力
  • 實作
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    7 神經網路與深度學習方法 1. 介紹機器學習 vs. 深度學習
    2. 介紹神經元（Neuron）感知器（Perceptron）類神經網路（Neural Network）激勵函數（Activation Function）     		1. 了解機器學習與深度學習的差異
    2. 了解深度學習神經網路的基本知識
  • 實作
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    8 Midterm None None
  • 上機實習
    •
  • 期中考
    •      		 
    9 深度學習模型 1. 多層感知器（Multilayer Perceptron, MLP）
    2. 利用Snap4Python實作出第一個神經網路     		1. 理解多層感知器深度學習模型
    2. 培養實作出神經網路模型的能力
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    10 Version Space 1. Inductive Learning
    2. Hypothesis Space
    3. Inductive Learning
    4. Find-S Algorithm
    5. Version Space --- Candidate Elimination Algorithm
    6. Induction Bias     		Introduce the concept learning based on symbolic or logical representations.
    It also discusses the general-to-specific ordering over hypotheses, and
    the need for inductive bias in learning.
  • 討論
  • 講授
    •
  • 作業
    •      		 
    11 Decision Tree Learning 1. Concept Learning System (CLS)
    2. IDS
    3. C4.5
    4. Occam's razor     		The concept of decision tree learning and the problem of overfitting the
    training data. It also examines Occam's razor---- a principle recommending
    the shortest hypothesis among those consistent with the data.
  • 討論
  • 講授
    •
  • 作業
    •      		 
    12 Adaboost 1. Weak Learner
    2. The Adaboost algorithm
    3. How and Why Adaboost works     		Theorectically understand the Adaboost learning agorithm
  • 討論
  • 講授
    •
  • 作業
    •      		 
    13 Adaboost 1. AdaBoost for Face Detection
    2. Attentional Cascade
    3. ROC curve     		Introduce application and implementation of Adaboost algorithm
  • 討論
  • 講授
    •
  • 作業
    •      		 
    14 Bayesing Learning 1. Review Probability
    2. Bayes Theorem
    3. Bayes Theorem & Concept Learning
    4. Maximum Likelihood & Least-Squared Hypotheses
    5. ML Hypothesis for Predicting Probability     		Understand Bayes theorem & apply it for concept learning
  • 討論
  • 講授
    •
  • 作業
    •      		 
    15 Bayesing Learning 1. Minimum Description Length Principle
    2. Bayes Optimal Classifier
    3. Gibbs Algorithm
    4. Naïve Bayes classifier
    5. Bayesian Belief Networks     		Understand Bayes theorem & apply it for concept learning
  • 討論
  • 講授
    •
  • 作業
    •      		 
    16 EM Algorithm 1. Maximum Likelihood Estimator (MLE)
    2. The problems tackled by EM algorithm     		1. Introduce MLE in statistics
    2. Introduce the applications of EM algorithm, including missing attributes, mixing attribute & mixtures
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    17 EM Algorithm 1. Main body of EM algorithm
    2. Mixture Model
    3. EM-Algorithm on GMM     		1. Understand EM-algorithm in detail
    2. Implememt GMM
  • 講授
  • 上機實習
    •
  • 作業
    •      		 
    18 Final exam None None
  • 上機實習
    •
  • 期末考
    •      		 

    教學要點概述：
    教材編選： ■ 自編教材 □ 教科書作者提供
    評量方法： 期末考：30%   期中考：30%   作業：40%  
    教學資源： ■ 教材電子檔 ■ 課程網站
    課程網站：http://elearn.ttu.edu.tw/learn/index.php
    扣考規定：http://eboard.ttu.edu.tw/ttuwebpost/showcontent-news.php?id=504

    研究所：
    核心能力 期末考 期中考 作業
    核心能力一 具備運用數學、科學及資訊工程相關知識的能力。 3/10 3 3 3
    核心能力二 具備解決問題之分析、規劃、設計與執行的能力。 3/10 3 3 3
    核心能力三 具備資訊系統整合與工程實作流程規劃的能力。 2/10 2 2 2
    核心能力五 具備持續自主學習以因應資訊產業發展趨勢的能力。 2/10 2 2 2