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) 深度學習
(英文)
開課單位 資訊經營研究所
課程代碼 N4570B
授課教師 廖文華
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:
課程概述與目標: 深度學習是一種「實現機器學習的技術」,能夠利用如人類大腦功能般的「類神經網路」,處理如視覺、聽覺等感知問題,從學習中更新權重與偏向量進行學習,最後進行分類或預測。學會各種神經網路的類型後,教導學生懂得調校神經網路和轉移學習目標,讓讀者能夠真正建構出屬於自己的神經網路模型。
教科書 1. 張志勇、廖文華、游國忠、石貴平、王勝石,"人工智慧",全華圖書,2020。
2. 陳允傑,"TensorFlow與Keras:Python深度學習應用實務",旗標,2019。
參考教材 1. Francois Chollet, “Deep Learning with Python,” Manning Publications, 2017.
2. H. Lane, H. Hapke, C. Howard, “Natural Language Processing in Action: Understanding, analyzing, and generating text with Python,” Manning Publications, 2019.
課程大綱 學生學習目標 單元學習活動 學習成效評量 備註
單元主題 內容綱要
1 認識人工智慧與機器學習 1. 人工智慧概論
2. 認識機器學習
3. 機器學習的種類
1. 人工智慧概論
2. 認識機器學習
3. 機器學習的種類
  • 講授
  • 平時考
  •  
    2 建構 TensorFlow 與 Keras 開發環境 1. 認識TensorFlow與Keras
    2. 建構Python深度學習的環境
    3. 建立與管理Python虛擬環境
    1. 認識TensorFlow與Keras
    2. 建構Python深度學習的環境
    3. 建立與管理Python虛擬環境
  • 實作
  • 講授
  • 上機實習
  • 上機測驗
  •  
    3 深度學習的基礎 1. 深度學習的基礎知識
    2. 深度學習的神經網路
    3. 深度學習的資料-張量
    1. 深度學習的基礎知識
    2. 深度學習的神經網路
    3. 深度學習的資料-張量
  • 實作
  • 講授
  • 上機實習
  • 上機測驗
  • 平時考
  •  
    4 神經網路–多層感知器 (MLP) 1. 神經網路的學習過程-正向與反向傳播
    2. 啟動函數與損失函數
    3. 反向傳播演算法與梯度下降法
    1. 神經網路的學習過程-正向與反向傳播
    2. 啟動函數與損失函數
    3. 反向傳播演算法與梯度下降法
  • 實作
  • 講授
  • 上機實習
  • 協同教學
  • 報告
  • 上機測驗
  •  
    5 打造自己神經網路 - 多層感知器 1. 建造分類問題的神經網路
    2. 建造迴歸問題的神經網路
    3. 儲存與載入神經網路模型
    1. 建造分類問題的神經網路
    2. 建造迴歸問題的神經網路
    3. 儲存與載入神經網路模型
  • 實作
  • 講授
  • 上機實習
  • 協同教學
  • 報告
  • 上機測驗
  •  
    6 多層感知器的實作案例 1. 鳶尾花資料集的多元分類
    2. 鐵達尼號資料及的生存分析
    1. 鳶尾花資料集的多元分類
    2. 鐵達尼號資料及的生存分析
  • 實作
  • 講授
  • 上機實習
  • 協同教學
  • 專題
  • 報告
  •  
    7 卷積神經網路 (CNN) 1. 卷積運算與池化運算
    2. 卷積神經網路
    3.. 池化層與Dropout層
    1. 卷積運算與池化運算
    2. 卷積神經網路
    3.. 池化層與Dropout層
  • 實作
  • 講授
  • 上機實習
  • 上機測驗
  •  
    8 打造自己的卷積神經網路 1. 認識MNIST手寫辨識資料集
    2. 使用MLP打造MNIST手寫辨識
    3. 使用CNN打造MNIST手寫辨識
    4. 手寫辨識的預測結果
    1. 認識MNIST手寫辨識資料集
    2. 使用MLP打造MNIST手寫辨識
    3. 使用CNN打造MNIST手寫辨識
    4. 手寫辨識的預測結果
  • 實作
  • 講授
  • 上機實習
  • 協同教學
  • 專題
  • 報告
  •  
    9 期中報告 期中報告 提出專案的構想
  • 個案研究
  • 心得發表
  • 專題
  • 報告
  •  
    10 卷積神經網路的實作案例 1. 辨識Cifar-10資料集的彩色圖片
    2. 使用自編器去除圖片雜訊
    1. 辨識Cifar-10資料集的彩色圖片
    2. 使用自編器去除圖片雜訊
  • 個案研究
  • 實作
  • 講授
  • 上機實習
  • 協同教學
  • 專題
  • 上機測驗
  •  
    11 RNN、LSTM和GRU神經網路 1. 認識序列資料
    2. 自然語言處理的基礎
    3. 循環神經網路
    4. 長短期記憶神經網路
    1. 認識序列資料
    2. 自然語言處理的基礎
    3. 循環神經網路
    4. 長短期記憶神經網路
  • 實作
  • 講授
  • 上機實習
  • 上機測驗
  • 平時考
  •  
    12 打造自己循環神經網路 1. 認識IMDb網路電影資料庫
    2. 資料預處理與Embedding層
    3. 使用MLP與CNN打造IMDb情緒分析
    4. 使用Keras打造循環神經網路
    5. 使用RNN、LSTM與GRU打造IMDb情緒分析
    6. 堆疊CNN和LSTM打造IMDb情緒分析
    1. 認識IMDb網路電影資料庫
    2. 資料預處理與Embedding層
    3. 使用MLP與CNN打造IMDb情緒分析
    4. 使用Keras打造循環神經網路
    5. 使用RNN、LSTM與GRU打造IMDb情緒分析
  • 個案研究
  • 講授
  • 上機實習
  • 協同教學
  • 專題
  • 報告
  •  
    13 循環神經網路的實作案例 1. 使用LSTM打造MNIST手寫辨識
    2. 使用LSTM模型預測Google股票
    3. 路透社資料集的新聞主題分類
    1. 使用LSTM打造MNIST手寫辨識
    2. 使用LSTM模型預測Google股票
    3. 路透社資料集的新聞主題分類
  • 個案研究
  • 實作
  • 講授
  • 上機實習
  • 協同教學
  • 報告
  • 上機測驗
  •  
    14 資料預處理與資料增強 1. 文字資料預處理
    2. IMDb網路電影資料裕處理
    3. 圖片載入與預處理
    4. 資料增強
    5. Cifar-10資料集的小資料量圖片分類
    1. 文字資料預處理
    2. IMDb網路電影資料裕處理
    3. 圖片載入與預處理
    4. 資料增強
    5. Cifar-10資料集的小資料量圖片分類
  • 實作
  • 講授
  • 上機實習
  • 上機測驗
  •  
    15 調校自己的深度學習模型 1. 識別模型的過度擬合問題
    2. 避免低度擬合與過度擬合
    3. 加速神經網路的訓練-選擇優化器
    4. 加速神經網路的訓練-批次正規化
    5. 正確的時間點停止模型訓練
    6. 在模型訓練時自動儲存最佳權重
    1. 識別模型的過度擬合問題
    2. 避免低度擬合與過度擬合
    3. 加速神經網路的訓練-選擇優化器
    4. 加速神經網路的訓練-批次正規化
    5. 正確的時間點停止模型訓練
  • 實作
  • 講授
  • 上機實習
  • 報告
  • 上機測驗
  •  
    16 預訓練模型與轉移學習 1. Keras內建的預訓練模型
    2. 使用預訓練模型進行圖片分類預測
    3. 認識轉移學習
    4. MNIST手寫辨識的轉移學習
    5. 預訓練模型的轉移學習
    1. Keras內建的預訓練模型
    2. 使用預訓練模型進行圖片分類預測
    3. 認識轉移學習
    4. MNIST手寫辨識的轉移學習
    5. 預訓練模型的轉移學習
  • 實作
  • 講授
  • 上機實習
  • 平時考
  •  
    17 Functional API 與模型視覺化 1. 深度學習模型視覺化
    2. 取得神經層資訊與中間層視覺化
    3. Function API
    4. 共享層模型
    5. 多輸入與多輸出模型
    1. 深度學習模型視覺化
    2. 取得神經層資訊與中間層視覺化
    3. Function API
    4. 共享層模型
    5. 多輸入與多輸出模型
  • 實作
  • 講授
  • 上機實習
  • 報告
  •  
    18 期末報告 期末報告 專題投影片報告和書面報告
  • 討論
  • 心得發表
  • 專題
  • 報告
  •  

    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: 專題:30%   報告:20%   :10%   上機測驗:20%   平時考:20%  
    教學資源: ■ 教材電子檔 □ 課程網站
    扣考規定:http://eboard.ttu.edu.tw/ttuwebpost/showcontent-news.php?id=504