I5790 教學大綱表

教學大綱表 (113學年度第1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) 機器學習 (英文) Machine Learning			開課單位 Departments	資訊工程研究所
				課程代碼 Course No.	I5790
授課教師 Instructor	鄭福炯
學分數 Credit	3.0	必/選修 core required/optional	選修	開課年級 Level	研究所
先修科目或先備能力(Course Pre-requisites)：程式語言、資料結構、資料庫系統
課程概述與目標(Course Overview and Goals)：課程概述：講授機器學習之原理與其相關應用，包括資料收集、資料呈現、資料分析、貝式決策法則、圖形辨識、電腦視覺與資料採礦、機器學習與深度學習的原理與應用。課程目標： 1. 學生能資料收集，運用數據分析的理論方法 2. 學生能了解機器學習的原理與應用 3. 學生能了解深度學習的原理與應用
教科書(Textbook)	Learning from Data: A Short Course Y. Abu-Mostafa (Caltech), M. Magdon-Ismail (RPI), H.-T. Lin (NTU)
參考教材(Reference)	1. Miroslav Kubat, An Introduction to Machine Learning, Springer, 2017 2. José Unpingco, Python for Probability, Statistics, and Machine Learning, Springer, 2016
圖書館電子書(E-book of the Library)	1. https://link.springer.com/book/10.1007%2F978-3-319-63913-0 2. https://link.springer.com/book/10.1007%2F978-3-319-30717-6

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	機器學習簡介	1. 何謂機器學習 2. 機器學習之分類 3. 機器學習之應用 4. 介紹機器學習 vs. 深度學習	1. 認識本課程將討論之各項主題，並簡要的複習相關數學 2. 了解機器學習與深度學習的差異	上機實習講授實作媒體教學	上機測驗
2	Python, Colab and Snap!AI overview	1. Snap!AI 功能介紹 2. Python constructs 3. Google Colab for running Python and ML programs	1. 培養學生能夠使用Snap!AI工具的能力 2. 培養學生能夠使用Google Colab工具的能力	上機實習講授實作	上機測驗
3	Digit Recognition I	1. MNIST dataset overview 2. Training, Validation and Testing 3. Dense Neural Network (Deep learning)	1. 了解 MNIST 資料集 2. 了解機器學習Training, Validation and Testing流程 3. 培養機器學習Dense Neural Network for solving Digit Recognition problem	上機實習講授實作	上機測驗
4	Digit Recognition I I	1. MNIST dataset overview 2. Training, Validation and Testing 3. Dense Neural Network (Deep learning)	1. 了解 MNIST 資料集 2. 了解機器學習Training, Validation and Testing流程 3. 培養機器學習Dense Neural Network for solving Digit Recognition problem	上機實習講授實作	上機測驗
5	Machine Learning Overview	1. Neural Network Model 2. Activation functions 3. Hyperparameters Turning	1. 了解 Neural Network Model 2. 了解 Activation functions 3. 了解 Hyperparameters Turning	上機實習講授實作	作業
6	Convolutional Neural Network I	1. Convolutional operations and Convolutional layers 2. Max pooling operations and MaxPooling layers 3. Flatten layers 4. Dense layers	1. 理解Convolutional layers, MaxPooling layers, Flatten layers and Dense layers 2. 具有實作CNN機器學習的能力	上機實習講授實作	上機測驗
7	Convolutional Neural Network II	1. Convolutional operations and Convolutional layers 2. Max pooling operations and MaxPooling layers 3. Flatten layers 4. Dense layers	1. 理解Convolutional layers, MaxPooling layers, Flatten layers and Dense layers 2. 具有實作CNN機器學習的能力	上機實習講授實作	上機測驗
8	Midterm	None	None		期中考
9	Convolutional Neural Network III	1. Convolutional operations and Convolutional layers 2. Max pooling operations and MaxPooling layers 3. Flatten layers 4. Dense layers	1. 理解Convolutional layers, MaxPooling layers, Flatten layers and Dense layers 2. 具有實作CNN機器學習的能力	上機實習講授實作	上機測驗
10	Convolutional Neural Network IV	1. Convolutional operations and Convolutional layers 2. Max pooling operations and MaxPooling layers 3. Flatten layers 4. Dense layers	1. 理解Convolutional layers, MaxPooling layers, Flatten layers and Dense layers 2. 具有實作CNN機器學習的能力	上機實習講授實作	作業
11	Save and Load Keras Model	1.Machine learning Keras whole model: the architecture and the weights of the model 2. Save Model APIs 3. Load Model APIs 3. C4.5 4. Occam's razor	1.理解 Machine learning Keras whole model: the architecture and the weights of the model 2. 具有實作機器學習Save Model APIs的能力 3. 具有實作機器學習Load Model APIs的能力	上機實習講授實作
12	Keras pre-built models	1. Models for image classification with weights trained on ImageNet 2. Fine tune pre-built models	1. 了解 pre-built Models for image classification with weights trained on ImageNet 2. 了解 Fine tune pre-built models	上機實習講授實作
13	Recurrent Neural Networks I	1. SimpleRNN cell 2. Long Short Term Memory (LSTM) and 3. Gated Recurrent Unit (GRU)	1. 了解 SimpleRNN cell, Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) 2. 培養具有實作RNN機器學習的能力	上機實習講授實作	上機測驗
14	Recurrent Neural Networks II	1. SimpleRNN cell 2. Long Short Term Memory (LSTM) and 3. Gated Recurrent Unit (GRU)	1. 了解 SimpleRNN cell, Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) 2. 培養具有實作RNN機器學習的能力	上機實習講授實作	作業
15	Recurrent Neural Networks III	1. SimpleRNN cell 2. Long Short Term Memory (LSTM) and 3. Gated Recurrent Unit (GRU)	1. 了解 SimpleRNN cell, Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) 2. 培養具有實作RNN機器學習的能力	上機實習講授實作	上機測驗
16	期末考 Final Exam	期末考 Final Exam	期末考 Final Exam		期末考
17	專題報告 I	機器學習專題設計與報告	1. 機器學習可以解決的問題痛點的重要性, 價值主張與目標客群的描述詳細程度. 2. 機器學習實作	討論設計研究實作	彈性教學
18	專題報告 II	找出機器學習可以解決的問題, 用機器學習的方法來解決這個痛點.	1. 機器學習可以解決的問題痛點的重要性, 價值主張與目標客群的描述詳細程度. 2. 機器學習實作	實作	彈性教學

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	5.小專題 Project	找出機器學習可以解決的問題, 用機器學習的方法來解決這個痛點.	1. 機器學習可以解決的問題痛點的重要性, 價值主張與目標客群的描述詳細程度 40%. 2. 機器學習實作的完程度 60%

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：期末考：20% 期中考：20% 報告：10% 彈性教學：10% 上機測驗：20% 作業：20%

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)：TronClass
扣考規定：https://curri.ttu.edu.tw/p/412-1033-1254.php