Type of Credit: Elective
Credit(s)
Number of Students
這一課程以介紹機器學習與深度學習的基本觀念和相關應用為目的。機器學習是人工智慧領域的重要區塊,近年以來因為計算技術的急速進步,許多過去的理論已經變成實用的技術。這一課程透過介紹許多基本的概念,期望讓選課同學了解機器學習技術的基礎觀念,並且進一步學習如何應用公開軟體來處理實際問題。這一課程將介紹機器學習的數個基本型態,包含監督式學習、非監督式學習、迴歸分析、及以類神經網路為基礎的深度學習。
課程中以講解基礎學理為主,同時伴隨程式實例的簡介。在幾乎每一個星期都有的 Moodle 作業中經常會使用到以Python為主的程式實例,期待大家都能兼顧學理與實例。
雖然我們會帶到一些關鍵的Python指令或者套件,但是這不是一門學習 Python 的課程。Python是選修這一門課程的先備能力。體驗機器學習的核心功能,而不建構整個應用系統的話,並不需要學會所有的Python指令。當然如果能隨心所欲應用Python是最好的。
如果以 Kaggle 公開課程做為參考比較的話,在假設同學不需要太多 Python、Pandas 和 Numpy/Scipy 的協助的前提之下,我們的課程計劃可以包含 Intro to Machine Learning 和 Intermediate Machine Learning 之外,還會接軌到深度學習入門 Intro to Deep Learning 的材料。2024學年可能繼續參考 Kaggle 的入門課程,也可能在開學之後更換對應目標;確定會有實作方向的對應目標。
能力項目說明
教學週次Course Week | 彈性補充教學週次Flexible Supplemental Instruction Week | 彈性補充教學類別Flexible Supplemental Instruction Type |
---|---|---|
先修課程:程式設計、Python、線性代數、機率和統計:沒有修過這些科目的類似課程將影響上課內容的接受度
參考課程網頁上相關說明:<https://www.cs.nccu.edu.tw/~chaolin/courses/ml24f.html>
成績計算之項目與權重:課堂上參與討論、點名與問答(5%)、Moodle 作業(20%);期末程式作業(25%);期中考試(25%);期末考試(25%)。
(待確認、可能更動)
Ian H. Witten, Eibe Frank, Mark A. Hall, and Christopher J. Pal. Data Mining : Practical Machine Learning Tools and Techniques. fourth edition, Morgan Kaufmann, 2017.
https://www.cs.nccu.edu.tw/~chaolin/courses/ml24f.html