N4570B 教學大綱表

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) 深度學習 (英文) Deep Learning			開課單位 Departments	資訊經營學系
				課程代碼 Course No.	N4570B
授課教師 Instructor	黃謝璋
學分數 Credit	3.0	必/選修 core required/optional	選修	開課年級 Level	大四
先修科目或先備能力(Course Pre-requisites)：
課程概述與目標(Course Overview and Goals)：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(Textbook)	1. 陳允傑， "TensorFlow與Keras：Python深度學習應用實務"，旗標，2019。
參考教材(Reference)	1. Francois Chollet, “Deep Learning with Python,” Manning Publications, 2017.
圖書館電子書(E-book of the Library)	黃日鉦,"人工智慧與深度學習",碁峰資訊曾吉弘,"實戰AI資料導向式學習",碁峰資訊藍子軒,"TensorFlow自然語言處理",碁峰資訊

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
序 No.	單元主題 Unit topic	內容綱要 Content summary	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
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
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
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
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
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
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
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
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
9	期中報告	期中報告	提出專案的構想
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
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
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
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
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
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
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
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
18	期末報告	期末報告	專題投影片報告和書面報告

彈性教學週活動規劃

序 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:2024-06-10 迄:2024-06-23	2.非同步線上課程 Asynchronous online course	請依tronClass上的說明，完成彈性教學之任務(非同步教學，看完教學影片並上傳心得或報告或課後測驗)	此部份佔學期成績10%，依達成率給分

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：平時考：30% 期中考：30% 期末考：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://sanmic.ttu.edu.tw/Teach/DL/DL.htm , Tronclass
扣考規定：http://eboard.ttu.edu.tw/ttuwebpost/showcontent-news.php?id=504