|
課程名稱 |
資料分析方法
Data Analytics |
|
開課學期 |
107-2 |
|
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/1072IE5054_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語言進行資料分析。 |
|
課程要求 |
基礎機率與統計知識與基礎程式語言能力 |
|
預期每週課後學習時數 |
|
|
Office Hours |
|
|
指定閱讀 |
待補 |
|
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) |
|
|
週次 |
日期 |
單元主題 |
|
第1週 |
2/20 |
機率與統計理論回顧 |
|
第2週 |
2/27 |
統計推論 |
|
第3週 |
3/06 |
R語言實作練習 |
|
第4週 |
3/13 |
回歸分析 |
|
第5週 |
3/20 |
回歸分析 |
|
第6週 |
3/27 |
多變量統計推論 |
|
第7週 |
4/03 |
高維度資料降維技巧 |
|
第8週 |
4/10 |
期中考 |
|
第9週 |
4/17 |
偏最小二乘回歸 |
|
第10週 |
4/24 |
大數據架構簡介 |
|
第11週 |
5/01 |
監督式學習演算法 |
|
第12週 |
5/08 |
非監督式學習演算法 |
|
第13週 |
5/15 |
人工智慧簡介 |
|
第14週 |
5/22 |
深度神經網路 |
|
第15週 |
5/29 |
深度神經網路 |
|
第16週 |
6/05 |
期末小組報告 |
|
第17週 |
6/12 |
期末小組報告 |
|