|
課程名稱 |
生態資料探勘與分析
Ecological Data Mining and Analysis |
|
開課學期 |
110-2 |
|
授課對象 |
生物資源暨農學院 森林環境暨資源學研究所 |
|
授課教師 |
關秉宗 |
|
課號 |
Forest7050 |
|
課程識別碼 |
625 M2510 |
|
班次 |
|
|
學分 |
3.0 |
|
全/半年 |
半年 |
|
必/選修 |
選修 |
|
上課時間 |
星期三6,7,8,9,10(13:20~18:20) |
|
上課地點 |
木性 |
|
備註 |
限碩士班以上
總人數上限：15人 |
|
Ceiba 課程網頁 |
http://ceiba.ntu.edu.tw/1102Forest7050_EDMA |
|
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 |
生態資料常具複雜之特性，如具時間與空間之相關性，非線性結構等。是以分析此類資料常非僅修習過基礎統計之研究生所能勝任。本課程之目標乃在經由一系列分析方法之介紹與案例分析，使生態領域之研究生瞭解與分析其所蒐集之資料，並協助其以最精簡有效之方式呈現其資料特性 |
|
課程目標 |
修習本課程之學生將會使用R統計軟體分析，管理與繪製其資料；並將瞭解與正確地運用廣義線型模式（Generalized Linear Model），廣義加成模式（General Additive Model），非參數分析方法（Nonparametric methods），半參數分析方法（Semi-parametric methods），混合效應模式（Mixed-effects model）等方法於資料分析上 |
|
課程要求 |
欲修習本課程之學生必須修習過統計學，瞭解線型模式（迴歸與變方分析）之基礎觀念，並需自備筆記型電腦與欲分析之資料
修課人數上限10人 |
|
預期每週課後學習時數 |
|
|
Office Hours |
每週四 14:00~15:00 備註： By appointment only |
|
指定閱讀 |
James, G., Witten, D., Hastie, T., and Tibshirani, R. 2021. An Introduction to Statistical Learning with Applications in R, 2nd Ed. Springer, New York. [electronic resource] |
|
參考書目 |
待補 |
|
評量方式
(僅供參考) |
|
No. |
項目 |
百分比 |
說明 |
|
1. |
Final Project |
100% |
|
|
|
週次 |
日期 |
單元主題 |
|
第1週 |
2/16 |
Introduction to Data Mining and R |
|
第2週 |
2/23 |
Statistical Learning |
|
第3週 |
3/02 |
Statistical Learning (Cont.) |
|
第4週 |
3/09 |
Statistical Methods in Data Mining: Supervised Learning |
|
第5週 |
3/16 |
Regression (Initial Project Presentation & Discussion) |
|
第6週 |
3/23 |
Regression (Cont.) |
|
第7週 |
3/30 |
Classification: Discriminant Analysis |
|
第8週 |
4/06 |
Classification: Discriminant Analysis (Cont.) |
|
第9週 |
4/13 |
Classification: K-Nearest Neighbors
(Mid-term Project Presentation & Discussion) |
|
第10週 |
4/20 |
Linear Model Selection and Regularization |
|
第11週 |
4/27 |
Linear Model Selection and Regularization (Cont.) |
|
第12週 |
5/04 |
Resampling: Bootstrap |
|
第13週 |
5/11 |
Splines and Extensions |
|
第14週 |
5/18 |
Splines and Extensions (Cont.) |
|
第15週 |
5/25 |
Regression Trees |
|
第16週 |
6/01 |
Regression Trees (Cont.)
Project Presentation |
|
第17週 |
6/08 |
Self Learning |
|
第18週 |
6/15 |
Self Learning |