| 課程名稱 |
(中文) 人工智慧 (英文) Artificial Intelligence |
開課單位 | 資訊經營學系 | ||
| 課程代碼 | N4810A | ||||
| 授課教師 | 黃謝璋 | ||||
| 學分數 | 3.0 | 必/選修 | 選修 | 開課年級 | 大四 |
| 先修科目或先備能力： | |||||
| 課程概述與目標：本課程是人工智慧技術應用之課程，將教導學生機器學習的人工智慧技術概念與其產業實務應用，同時欲使學生具備規劃並整合人工智慧技術於有價值應用的能力。主要的學習目標包含人工智慧現在的應用與優勢、圖像辨識的應用、視頻識別應用、語音識別應用、自然語言處理應用、知識發現應用、創作AI等，並實作人工智慧相關的演算法和應用。 | |||||
| 教科書 | 1.Stuart Russell and Peter Norvig, "Artificial Intelligence: A Modern Approach", 3rd edition, Prentice Hall. (November 30, 2009). | ||||
| 參考教材 | 1. Bill Lubanovic, "Introducing Python: Modern Computing in Simple Packages", 2nd Ed., O'Reilly Media, 2019. 2. Sebastian Raschka and Vahid Mirjalili, "Python Machine Learning," 3rd Ed., Packt Publishing, 2019. 3. 張志勇、廖文華、石貴平、王勝石、游國忠， "人工智慧"，全華圖書，2020。 |
||||
| 圖書館電子書 | 藍子軒,"TensorFlow自然語言處理",碁峰資訊 | ||||
| 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 | 人工智慧課程簡介 | 1. 課本、參考書簡介 2. 課程內容簡介 3. 評分標準 |
1. 課本、參考書簡介 2. 課程內容簡介 3. 評分標準 |
|
||
| 2 | 人工智慧簡介(AI) | 1 AI廣泛的應用 2 人工智慧的發展 3 人工智慧在台灣 4 未來的AI生活 |
1 AI廣泛的應用 2 人工智慧的發展 3 人工智慧在台灣 4 未來的AI生活 |
|
|
|
| 3 | 建立實作環境 | 1. 安裝Anaconda、VS code及Python 2. 建立Anaconda虛擬環境 3. 安裝Keras、TensorFlow |
1. 安裝Anaconda、VS code及Python 2. 建立Anaconda虛擬環境 3. 安裝Keras、TensorFlow |
|
|
|
| 4 | AI的應用(AI Application) | 影像處理(Image Processing) | 影像處理(Image Processing) |
|
|
|
| 5 | AI的應用(AI Application) | 自然語言處理(Natural language processing) | 自然語言處理(Natural language processing) |
|
|
|
| 6 | AI的應用(AI Application) | 邏輯推理 | 邏輯推理 |
|
|
|
| 7 | AI的應用(AI Application) | 1.推薦系統 2.疾病預測與醫療 |
1.推薦系統 2.疾病預測與醫療 |
|
|
|
| 8 | 機器學習(ML) | 1. 監督式學習(Supervised Learning) 2. 非監督式學習(Unsupervised Learning) 3. 半監督式學習(Semi-supervised Learning) 4. 強化學習(Reinforcement Learning) |
1. 監督式學習 2. 非監督式學習 3. 半監督式學習 4. 強化學習 |
|
|
|
| 9 | 期中報告 | 期中報告 | 將期中所學的人工智慧的技術和應用，做一個主題式的整體性報告。 |
|
|
|
| 10 | 監督式學習(一) | 1. 迴歸(Regression) 2. 決策樹(Decision Tree) 3. 隨機森林(Random Forest ) |
1. 迴歸 2. 決策樹 3. 隨機森林 |
|
|
|
| 11 | 監督式學習(二) | 1. 支持向量機（SVM） 2. 單純貝氏分類器 3. K-最近鄰居（KNN） |
1. 支持向量機（SVM） 2. 單純貝氏分類器 3. K-最近鄰居（KNN） |
|
|
|
| 12 | 非監督式學習–分群 | 1. K-平均分群（K-means） 2. DBSCAN分群 3. 階層式分群 |
1. K-平均分群（K-means） 2. DBSCAN分群 3. 階層式分群 |
|
|
|
| 13 | 深度學習(DL) | 1. 深度學習簡介 2. 卷積神經網路(Convolution Neural Network, CNN) 3. 類神經網路的學習方式 |
1. 深度學習簡介 2. 卷積神經網路(Convolution Neural Network, CNN) 3. 類神經網路的學習方式 |
|
|
|
| 14 | 遞歸神經網路(RNN) | 1. 遞歸神經網路(Recurrent Neural Network, RNN) 2. 長短期神經網路(Long short-term memory, LSTM) 3. 自編碼網路(Autoencoder Network, AE) |
1. 遞歸神經網路(Recurrent Neural Network, RNN) 2. 長短期神經網路(Long short-term memory, LSTM) 3. 自編碼網路(Autoencoder Network, AE) |
|
|
|
| 15 | 創新AI | 1. 生成對抗網路（GAN） 2. 條件式生成對抗網路 3. 循環式生成對抗網路 4. 相片生成 |
1. 生成對抗網路（GAN） 2. 條件式生成對抗網路 3. 循環式生成對抗網路 4. 相片生成 |
|
|
|
| 16 | 自然語言處理(NLP) | 1. 自然語言處理簡介 2. Wrod2vector 3. 問答系統 |
1. 自然語言處理簡介 2. Wrod2vector 3. 問答系統 |
|
|
|
| 17 | 電腦視覺(Computer Vision) | 1. 電腦視覺簡介 2. OpenCV 3. OpenPose 4. YOLO |
1. 電腦視覺簡介 2. OpenCV 3. OpenPose 4. YOLO |
|
|
|
| 18 | 期末報告 | 期末報告 | 學生的專題成果報告 |
|
|
|
|
教學要點概述： |