|
課程名稱 |
機器學習
Machine Learning |
|
開課學期 |
112-1 |
|
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 |
與林宗男、李宏毅合授
總人數上限：80人 |
|
|
|
|
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 |
人工智慧正以銳不可擋知勢重塑全球的產業發展，可望為半導體、資通訊技術等我國具優勢之強項，及物聯網系統與安全、無人戴具、擴增實境等未來趨勢創造更多創新價值。本課程之宗旨即為培育大學生具備在人工智慧進一步探索、開發、與創新的能力。藉由系統性介紹機器學習各相關基礎理論、方法和工具，同學可對機器學習的演算法與數學原理，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。
課程內容:(參考用，將視實際情況適當增減)
1. Regression; Bias and Variance Errors
2. Classification; Logistic Regression
3. Dimensionality Reduction: Principal Component Analysis; Neighbor Embedding; Auto-Encoder
4. Semi-Supervised Learning
5. Neural Network Introduction: Gradient Decent; Back Propagation
6. Convolution/Recurrent Neural Network
7. Ensemble: Bagging and Boosting
8. Transfer Learning
9. Support Vector Machine; Convex optimization and Duality
10. Expectation Maximization, Gaussian Mixture Model, Variational Auto Encoder
11. Generalization Error: Rademacher complexity and VC dimension
加選訊息：本課程為二類授權碼加選，欲加選之同學請屆時來現場加簽。 |
|
課程目標 |
● 引導學生對各機器學習、深度學習相關領域之問題與技術工具有概略性的認知。
● 引導學生具備機器學習之演算法設計與實作能力。
● 引導學生了解機器學習演算法背後的數學理論，並具備分析能力。 |
|
課程要求 |
● Prerequisit (沒學過的話，修本課程將頗為痛苦)：微積分、線性代數、機率與統計、程式設計(Python, Java, C++等物件導向程式語言)
● Optional (有學過的話很好，沒學過也沒關係反正上課老師會教)：凸函數最佳化、分析導論
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(prerequisit)。
本課程涵蓋深度學習相關內容，同學可透過以下三種方式取得運算資源：
● 使用開源服務 (如Google Colab)。
● 敗下去，自己的GPU自己買(玩)。
● 有需要的話，本課程可統一向國網中心/校計中爭取申請雲端GPU給需要的同學使用。 |
|
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, Ethem Alpaydin, 2009, MIT Press
2. Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006, Springer
3. Foundations of Machine Learning, M. Mohri, A. Rostamizadeh, and A. Talwalkar, MIT Press |
|
評量方式
(僅供參考) |
|
|
針對學生困難提供學生調整方式 |
|
上課形式 |
以錄影輔助 |
|
作業繳交方式 |
學生與授課老師協議改以其他形式呈現 |
|
考試形式 |
|
|
其他 |
由師生雙方議定 |
|
|