課程資訊
課程名稱
 生態資料探勘與分析
Ecological Data Mining and Analysis 
開課學期
 102-2 
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 
全/半年
 半年 
必/選修
 選修 
上課時間
 星期三5,6,7,8,9(12:20~17:20) 
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/1022Forest7050_BTG 
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 14:00~16:00 
指定閱讀
 James, G., Witten, D., Hastie, T., and Tibshirani, R. 2013. An Introduction to Statistical Learning with Applications in R. Springer, New York. [electronic resource]

Torgo, L. 2011. Data Mining with R: Learning with Case Studies. CRC Press, Boca Raton. [electronic resource]

Williams, G. 2011. Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery. Springer, New York. [electronic resource] 
參考書目
 Ekstrøm, C.T., 2011. The R Primer. CRC Press [electronic resource]

Horton, N., Kleinman, K., 2011. Using R for Data Management, Statistical Analysis, and Graphics. CRC Press [electronic resource]

Hastie, T., Tibshirani, R., Friedman, J., 2009. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. 2nd ed. Springer [electronic resource]

Sarkar, D., 2008. Lattice: Multivariate Data Visualization with R. Springer [electronic resource]

Murrell, P., 2006. R Graphics. CRC Press [electronic resource]

其他補充資料
 
評量方式
(僅供參考)
  
No.
項目
百分比
說明
1. 
 報告(含書面及口頭報告)  
100% 
  
 
課程進度
週次
日期
單元主題
第1週
 2/19  Introduction to Data Mining and R 
第2週
 2/26  R Programming and Data Analysis 
第3週
 3/05  Introduction to Rattle 
第4週
 3/12  Statistical Methods in Data Mining: Supervised Learning 
第5週
 3/19  Statistical Linear Models (I) 
第6週
 3/26  Statistical Linear Models (II) 
第7週
 4/02  Spring Break 
第8週
 4/09  Generalized Linear Model 
第9週
 4/16  Classification: Discriminant Analysis 
第10週
 4/23  Advance R Graphics Using Lattice and Grid 
第11週
 4/30  Nonparametric Analysis (LOESS) 
第12週
 5/07  Nonparametric Analysis (Smoothing Splines) 
第13週
 5/14  General Additive Model 
第14週
 5/21  General Additive Model (Cont.) 
第15週
 5/28  Statistical Methods in Data Mining: Unsupervised Learning 
第16週
 6/04  Clustering 
第17週
 6/11  Project Report