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 |
1 | Introduction |
Course Introduction |
Course Introduction |
|
|
|
2 | Basic Python Programming (1) |
1. Python開發環境安裝
2. Python程式語言 |
2.1 認識Python語言
2.2 變數、運算子與資料型態
2.3 流程控制
2.4 檔案操作 |
|
|
|
3 | Basic Python Programming (2) |
3. Python進階 |
3.1 函式、模組與套件
3.2 容器型態 |
|
|
|
4 | Basic Python Programming (3) |
3. Python進階 |
3.3 類別與物件 |
|
|
|
5 | Genetic Algorithm (GA) |
Genetic Algorithm (GA) – Basic (1) |
1. 介紹
2. 甚麼是演化計算?
3. 基因演算法
4. 演化策略
5. 遺傳規劃 |
|
|
|
6 | Genetic Algorithm (GA) |
Genetic Algorithm (GA) – Basic (2) |
6. 多目標演化演算法
7. 演化演算法的使用 |
|
|
|
7 | Discrete Coding |
1. Coding for Discrete Decision Variables
2. 說明專題 & 分組 |
離散決策變數之編碼與指派問題 |
|
|
|
8 | Permutation Coding |
Coding for Permutation Solutions and Traveling Salesman |
排列解的編碼與Traveling Salesman Problem (TSP) |
|
|
|
9 | 期中報告 |
說明期末專題要報告 |
期中報告15% (上台報告) |
|
|
|
10 | 機器學習 |
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 |
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 |
|
|
|
11 | 機器學習流程及方法 |
1. 機器學習流程
2. 欠擬合、過擬合
3. 最佳化方法
4. 交叉驗證法 |
1. 機器學習流程
2. 欠擬合、過擬合
3. 最佳化方法
4. 交叉驗證法 |
|
|
|
12 | 監督式學習(一) |
1. 迴歸
2. 決策樹
3. 隨機森林 |
1. 迴歸
2. 決策樹
3. 隨機森林 |
|
|
|
13 | 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) |
|
|
|
14 | 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 |
|
|
|
15 | 整體學習 |
1. 投票法(Voting)
2. 裝袋法(Bagging)
3. 強化法(Boosting) |
1. 投票法(Voting)
2. 裝袋法(Bagging)
3. 強化法(Boosting) |
|
|
|
16 | 期末報告 |
期末專題 |
期末報告45% (上台報告+ 書面報告) |
|
|
|
17 | 期末報告 |
期末專題 |
期末報告45% (上台報告+ 書面報告) |
|
|
|
18 | 期末報告 |
期末專題 |
期末報告45% (上台報告+ 書面報告) |
|
|
|