課程名稱 |
機器學習 Machine Learning |
開課學期 |
110-2 |
授課對象 |
工學院 機械工程學系 |
授課教師 |
陳世興 |
課號 |
ME5062 |
課程識別碼 |
522 U6380 |
班次 |
|
學分 |
3.0 |
全/半年 |
半年 |
必/選修 |
選修 |
上課時間 |
星期一6,7,8(13:20~16:20) |
上課地點 |
機械系計中 |
備註 |
授課教師-陳世興 總人數上限:30人 |
Ceiba 課程網頁 |
http://ceiba.ntu.edu.tw/1102ME5062_ |
課程簡介影片 |
|
核心能力關聯 |
本課程尚未建立核心能力關連 |
課程大綱
|
為確保您我的權利,請尊重智慧財產權及不得非法影印
|
課程概述 |
本課程教授機械所研究中,可能需要解決 影像圖像分類、物件辨識、影像切割、預 測、分類、與最佳化問題等,因此會教授 相關研究方法,以及了解所需環境並進行 實作,也將產出邊緣運算 app 成果。 |
課程目標 |
為了解決研究上之問題,本課程將教授機器學習目前重要方法,例如 YOLOR、 Mask RCNN、LSTM、XGBoost、CPLEX 與 Genetic Algorithms 等,再學習後得以 掌握演算法的重點,有利後續之研究。 |
課程要求 |
程式設計 |
預期每週課後學習時數 |
|
Office Hours |
|
指定閱讀 |
自編教材 |
參考書目 |
待補 |
評量方式 (僅供參考) |
No. |
項目 |
百分比 |
說明 |
1. |
作業 |
20% |
包含平時報告 |
2. |
期中報告 |
35% |
|
3. |
期末報告 |
35% |
|
4. |
出席成績 |
10% |
|
|
週次 |
日期 |
單元主題 |
第1週 |
2/14 |
課程說明 |
第2週 |
2/21 |
深度學習演算法與資料標記 |
第3週 |
2/28 |
Tensorflow 與 PyTorch 框架 |
第4週 |
3/07 |
影像分類: DenseNet |
第5週 |
3/14 |
目標辨識演算法: YOLOR |
第6週 |
3/21 |
目標辨識演算法文獻報告 |
第7週 |
3/28 |
影像切割: Mask RCNN |
第8週 |
4/04 |
Kneron 邊緣運算與影像研究專題準備 |
第9週 |
4/11 |
分組期中報告 |
第10週 |
4/18 |
遷移學習 |
第11週 |
4/25 |
預測:LSTM |
第12週 |
5/02 |
分類:XGBoost |
第13週 |
5/09 |
預測與分類文獻報告 |
第14週 |
5/16 |
最佳化演算法:CPLEX |
第15週 |
5/23 |
最佳化演算法:Genetic Algorithm |
第16週 |
5/30 |
統計檢定: ANOVA |
第17週 |
6/06 |
期末專題準備 |
第18週 |
6/13 |
分組期末報告 |
|