| 課程名稱 Course Title |
(中文) 人工智慧 (英文) Artificial Intelligence |
開課單位 Departments |
資訊經營學系 | ||
| 課程代碼 Course No. |
N4810A | ||||
| 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：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 Textbook |
黃建庭,機器學習入門：使用Scikit-Learn與TensorFlow,碁峰,2021/12/22 | ||||
| 參考教材 Reference |
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。 4.1.Stuart Russell and Peter Norvig, "Artificial Intelligence: A Modern Approach", 3rd edition, Prentice Hall. (November 30, 2009). |
||||
| 圖書館電子書 E-book of the Library |
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 |
||
| 週 Week | 單元主題 Unit topic |
內容綱要 Content summary |
||||
| 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 Overview of Teaching Points： |