|
課程名稱 |
資料分析方法
Data Analytics |
|
開課學期 |
108-2 |
|
授課對象 |
工學院 工業工程學研究所 |
|
授課教師 |
藍俊宏 |
|
課號 |
IE5054 |
|
課程識別碼 |
546EU4040 |
|
班次 |
|
|
學分 |
3.0 |
|
全/半年 |
半年 |
|
必/選修 |
選修 |
|
上課時間 |
星期三2,3,4(9:10~12:10) |
|
上課地點 |
新502 |
|
備註 |
本課程以英語授課。
總人數上限：42人 |
|
Ceiba 課程網頁 |
http://ceiba.ntu.edu.tw/1082IE5054_DA |
|
課程簡介影片 |
|
|
核心能力關聯 |
核心能力與課程規劃關聯圖 |
|
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 |
隨著資料科學益發受到重視，相對應的研究與應用日新月異，本課程將解析資料科學的各項基礎知識，回顧重要且歷久彌新的機率統計理論、多變量分析技巧、監督式與非監督式學習演算法，並簡介當前深度神經網路的發展，搭配R語言或Python的實作，了解當前各種與資料科學流行詞彙的背後意義。 |
|
課程目標 |
修習本課程之學生將具備以下能力：
1. 了解資料特性及各類分析方法的適用性；
2. 預處理資料 (資料清洗)；
3. 資料特徵萃取與選擇；
4. 解讀分析結果與其背後之物理意義；
5. 上手R語言或Python進行資料分析。 |
|
課程要求 |
機率與統計知識、線性代數、程式設計邏輯 |
|
預期每週課後學習時數 |
|
|
Office Hours |
|
|
指定閱讀 |
暫無 |
|
參考書目 |
Montgomery, and Runger 6th edition, Applied Statistics and Probability for Engineers
Rencher, and Christensen 3rd edition, Methods of Multivariate Analysis
Izenman, 1st edition, Modern Multivariate Statistical Techniques
James, Witten, Hastie, and Tibshirani, 2013, An Introduction to Statistical Learning
Goodfellow, Bengio, and Courville, 2016, Deep Learning |
|
評量方式
(僅供參考) |
|
No. |
項目 |
百分比 |
說明 |
|
1. |
作業 |
30% |
|
2. |
期中考 |
30% |
|
3. |
期末考 |
30% |
|
4. |
報告 |
10% |
|
|
|
週次 |
日期 |
單元主題 |
|
第1週 |
2/19 |
問答與回顧 |
|
第2週 |
2/26 |
統計推論方法 |
|
第3週 |
3/04 |
資料結構與工具 |
|
第4週 |
3/11 |
迴歸分析 |
|
第5週 |
3/18 |
迴歸分析 |
|
第6週 |
3/25 |
多變量統計推論 |
|
第7週 |
4/01 |
溫書假 |
|
第8週 |
4/08 |
降維方法 |
|
第9週 |
4/15 |
偏最小平方迴歸分析 |
|
第10週 |
4/22 |
期中考 |
|
第11週 |
4/29 |
大數據架構 |
|
第12週 |
5/06 |
監督式機器學習演算法 |
|
第13週 |
5/13 |
監督式機器學習演算法 |
|
第14週 |
5/20 |
非監督式機器學習演算法 |
|
第15週 |
5/27 |
非監督式機器學習演算法 |
|
第16週 |
6/03 |
深度神經網路 |
|
第17週 |
6/10 |
期末考 |
|