課程資訊
課程名稱
機器學習
Machine Learning 
開課學期
107-1 
授課對象
電機資訊學院  電信工程學研究所  
授課教師
吳沛遠 
課號
EE5184 
課程識別碼
921 U2620 
班次
 
學分
4.0 
全/半年
半年 
必/選修
選修 
上課時間
星期五2,3,4,5(9:10~13:10) 
上課地點
博理113 
備註
初選不開放。需先通過能力檢定(網址:https://goo.gl/77r6av),通過檢定者將取得授權碼。與林宗男、李宏毅合授
總人數上限:150人 
Ceiba 課程網頁
http://ceiba.ntu.edu.tw/1071EE5184_ 
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

重要注意事項: 修習本課程需先通過先備能力檢定(報名網址: https://goo.gl/77r6av),通過檢定者將取得授權碼。
Important Notice: A prerequisite exam (Registration website: https://goo.gl/77r6av) has to be taken to be eligible to get enrolled in this course.

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,但你有沒有想過,那些能處理非常複雜問題的程式,究竟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,而是由人類寫出演算法,讓機器能根據資料來學習,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。

舉例來說,如果我們想讓機器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」機器哪些是垃圾郵件、哪些不是,機器就可以利用這些資訊,自動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。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(107 學年度上學期)將由吳沛遠教授、李宏毅教授和林宗男教授共同合授,由吳沛遠教授主授,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,期望透過這門課,讓學生對機器學習的技術,有更系統性的認識,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
重要注意事項: 修習本課程需先通過先備能力檢定(報名網址: https://goo.gl/77r6av),通過檢定者將取得授權碼。
Important Notice: A prerequisite exam (Registration website: https://goo.gl/77r6av) has to be taken to be eligible to get enrolled in this course.

需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,建議可以同時選修資料結構和演算法相關課程,以加強程式能力。 
預期每週課後學習時數
 
Office Hours
 
指定閱讀
 
參考書目
1. Introduction to Machine Learning, second edition, Ethem ALPAYDIN
2. Pattern Recognition and Machine Learning, Christopher M. Bishop
3. Learning from Data, Yaser S. Abu-Mostafa , Malik Magdon-Ismail, Hsuan-Tien Lin 
評量方式
(僅供參考)
   
課程進度
週次
日期
單元主題
第1週
09/14  Introduction
Linear Regression - Part I 
第2週
09/21  Bias and Variance Errors
Gradient Decent 
第3週
09/28  Linear Regression - Part II
Classification with Probabilistic Generative Model 
第4週
10/05  Logistic Regression
Deep Learning Introduction 
第5週
10/12  Back Propagation
Deep Learning Implementation and tips 
第6週
10/19  Convolutional Neural Network 
第7週
10/26  Dimensionality Reduction: Principle Component Analysis, Neighbor Embedding 
第8週
11/02  Neighbor Embedding 
第9週
11/09  Ensemble: Bagging and Boosting 
第10週
11/16  Auto-Encoder;
Word Embedding 
第11週
11/23  Recurrent Neural Network
Support Vector Machine - Introduction 
第12週
11/30  Support Vector Machine: Optimization and Kernel
 
第13週
12/07  Support Vector Machine: Lagranian Duality and Kernel 
第14週
12/14  Expectation Maximization
Strong Duality Theorem
(Strong Duality Theorem 不考) 
第15週
12/21  Semi-Supervised Learning; 
第16週
12/28  Final Exam 
第17週
01/04  Generative Adversarial Network 
第18週
01/11  Final Project Presentation