課程大綱

課程資訊

課程名稱

機器學習
Machine Learning

開課學期

105-1

授課對象

電機資訊學院電信工程學研究所

授課教師

李宏毅

課號

EE5177

課程識別碼

921 U2550

班次

學分

全/半年

半年

必/選修

選修

上課時間

星期五2,3,4(9:10~12:10)

上課地點

明達205

備註

與林宗男合開
總人數上限：100人

Ceiba 課程網頁

http://ceiba.ntu.edu.tw/1051EE5177_

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

你可能已經修過和計算機程式相關的課程，能夠設計程式讓電腦處理一些簡單的問題，但是你有沒有想過，那些處理非常複雜問題的程式是如何設計出來的呢？例如：Gmail 如何知道一封郵件是否為垃圾郵件？Facebook 如何知道一張相片是否包含人臉？ Siri如何聽懂並回答使用者的問題？人類製作出來的Alpha Go為什麼可以比職業棋士還強呢？事實上，這些程式中的演算法並非由人類直接設計，而是由人類寫出讓機器能夠根據資料學習的演算法後，讓機器自動由大量的資料、過去的經驗找出可以處理這些問題的方法，例如：如果我們想讓機器能夠偵測一封郵件是否為垃圾郵件，我們可以讓機器「看過」大量的郵件，並「告知」機器哪些郵件是垃圾郵件、哪些不是，機器便可以利用這些資訊自動去建構出偵測垃圾郵件的模型，當收到新的郵件時，機器便根據所學的模型去偵測它是否為垃圾郵件，而如何設計出讓機器自動學習的演算法就是「機器學習」這個領域在探討的問題。(本課程 105 學年度上學期由李宏毅教授和林宗男教授合授，由李宏毅教授主授，負責授課與作業規劃)

課程目標

本課程旨在介紹機器學習使用者都應該知道的基本機器學習理論、方法和工具，希望透過這門課學生對機器學習的技術可以有系統性的認識，並具備實作這些技術的基本能力，以期在未來能將這些技術活用到各自的專業領域中。

課程要求

需要具備基本的程式設計能力。理論上，電機系大三以上的學生即具備修習本課程所需的基本能力，建議可以同時修資料結構和演算法相關課程加強程式能力。

加簽方式：第一次上課 (9/23) 會公告作業0，想要加簽的同學請於當天晚上繳交那個作業，作業0 非常簡單，只是為了確定有基礎程式能力，和機器學習完全無關。

預期每週課後學習時數

Office Hours

另約時間

指定閱讀

無指定教科書

參考書目

Introduction to Machine Learning, second edition, Ethem ALPAYDIN
Pattern Recognition and Machine Learning, Christopher M. Bishop
Learning from Data, Yaser S. Abu-Mostafa , Malik Magdon-Ismail, Hsuan-Tien Lin

評量方式
(僅供參考)

No.	項目	百分比	說明
1.	作業	40%
2.	期末分組專題	60%	二到四個人一組，可以組好隊後一起來修課。找不到隊友也沒關係，開學後老師可以幫忙配對。

課程進度

週次	日期	單元主題
第1週	9/16	中秋節放假 (不補課)
第2週	9/23	Opening - Introduction of Data Science (林宗男教授), Introduction of Machine Learning, announce HW0 (只有想加簽的同學需要完成HW0)
第3週	9/30	Regression & Basic Concepts of Machine Learning, announce HW1
第4週	10/07	Classification
第5週	10/14	Deep Learning I: Introduction of Neural Network, announce HW2
第6週	10/21	Application of Machine Learning in Finance (Guest Speaker)
第7週	10/28	Deep Learning II: Tips for Training Neural Network & Convolutional Neural Network (CNN), announce HW3
第8週	11/04	Semisupervised Learning & Transfer Learning
第9週	11/11	Unsupervised Learning: Clustering & Dimensionality Reduction
第10週	11/18	Unsupervised Learning: Clustering & Dimensionality Reduction, announce HW4, announce final project
第11週	11/25	Nearest Neighbor, Decision Tree, Boosting
第12週	12/02	Support Vector Machines and Kernel
第13週	12/09	Beyond Classification: Structured Learning I
第14週	12/16	Beyond Classification: Structured Learning II
第15週	12/23	Beyond Classification: Recurrent Neural Network
第16週	12/30	Learning in the Real World: Reinforcement Learning I
第17週	1/06	Learning in the Real World: Reinforcement Learning II