教學大綱表 (112學年度 第2學期)
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
Course Title
(中文) 機器學習
(英文) Machine Learning
開課單位
Departments
資訊工程研究所
課程代碼
Course No.
I5790B
授課教師
Instructor
蔡佳勝
學分數
Credit
3.0 必/選修
core required/optional
選修 開課年級
Level
研究所
先修科目或先備能力(Course Pre-requisites):
課程概述與目標(Course Overview and Goals):課程概述:運用雲端服務的工具與Mathworks的套件實作機器學習之原理與其相關應用,包括資料收集、資料呈現、資料分析等。課程講授外,會使用雲端服務實作機器學習與深度學習的原理與應用。

教科書(Textbook) Learning from Data: A Short Course
Y. Abu-Mostafa (Caltech), M. Magdon-Ismail (RPI), H.-T. Lin (NTU)
課程大綱 Syllabus 學生學習目標
Learning Objectives
單元學習活動
Learning Activities
學習成效評量
Evaluation
備註
Notes

No.
單元主題
Unit topic
內容綱要
Content summary
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  
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  
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
 
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
 
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  
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
 
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
 
8 Midterm None None  
9 深度學習模型 1. 遷移式學習 (Transfer Learning)
2. XGboost (eXtreme Gradient Boosting 模型應用)
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
 
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.
 
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.
 
12 Adaboost 1. Weak Learner
2. The Adaboost algorithm
3. How and Why Adaboost works
Theorectically understand the Adaboost learning agorithm  
13 Adaboost 1. AdaBoost for Face Detection
2. Attentional Cascade
3. ROC curve
Introduce application and implementation of Adaboost algorithm  
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  
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  
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
 
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
 
18 Final exam None None  
彈性教學週活動規劃

No.
實施期間
Period
實施方式
Content
教學說明
Teaching instructions
彈性教學評量方式
Evaluation
備註
Notes
1 起:2024-04-28 迄:2024-06-21 6.其他 Others 同步+非同步 以仿翻轉教學和問題導向學習的模式,瞭解同學學習思考的方法。 佔10%


教學要點概述:
1.自編教材 Handout by Instructor:
□ 1-1.簡報 Slids
□ 1-2.影音教材 Videos
□ 1-3.教具 Teaching Aids
□ 1-4.教科書 Textbook
□ 1-5.其他 Other
□ 2.自編評量工具/量表 Educational Assessment
■ 3.教科書作者提供 Textbook

成績考核 Performance Evaluation: 報告:60%   其他評量:30%   彈性教學:10%  

教學資源(Teaching Resources):
□ 教材電子檔(Soft Copy of the Handout or the Textbook)
□ 課程網站(Website)
課程網站(Website):http://elearn.ttu.edu.tw/learn/index.php
扣考規定:https://curri.ttu.edu.tw/p/412-1033-1254.php