課程資訊
課程名稱
資料科學計算
Computational Methods for Data Science 
開課學期
111-1 
授課對象
電機資訊學院  資料科學學位學程  
授課教師
潘建興 
課號
Data5009 
課程識別碼
946 U0090 
班次
 
學分
3.0 
全/半年
半年 
必/選修
必修 
上課時間
星期三6,7,8,9(13:20~17:20) 
上課地點
新402 
備註
第9節為課程討論時間。
限碩士班以上 或 限博士班
總人數上限:40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

Part I: Fundamentals and Reviews
第一週 Introduction to Basic Statistics, Matrix Algebra and Statistical Computing
Part II: Linear Algebraic Techniques
第二週 Matrix Decomposition Methods
第三週 Eigenvalue Problems
第四週 Principal Component Analysis and Power Iteration Method
第五週 Singular Value Decomposition and Low-Rank Tensor Recovery
第六週 Independent Component Analysis and Gaussianity
Part III: Statistical Computing Techniques
第七週 Simulation, Sampling and Monte Carlo Methods
第八週 EM Algorithms and Methods of Bootstrapping
第九週 MCMC: Metropolis-Hastings and Gibbs Sampling
第十週 Nonparametric Density Estimation and Multivariate Smoothing
Part IV: Modern Methods in Optimization
第十一週 Traditional Methods: Linear Programming and Gradient Methods
第十二週 Stochastic Local Searches: Simulated Annealing and Tabu Search
第十三週 Genetic Algorithms: Standard Framework and Evolution Strategy
第十四週 Group Intelligence: Particle Swarm Optimization and Ant Colony Optimization
Part V: Advanced Topics in Optimization
第十五週 Coevolution: Competitive Coevolution and Cooperative Coevolution
第十六週 Multi-Objective Optimization Techniques
第十七週 Other Advanced Topics in Optimizations
第十八週 期末考週 

課程目標
本課程的主要目標有三:
1. 從最基礎的傳統方法到最先進的新方法教導學生統計計算和最佳代演算法的方法和理論.
2. 透過結合課程的基本知識和網路搜尋的資料, 培養學生能夠自行學習全新未知的統計計算和最佳化演算法的能力.
3. 透過了解各演算法的優劣, 培養學生能夠自行改良現有方法的能力. 
課程要求
本課程需要學生有基本的編程能力(C++, JAVA, R, Python, Matlab任何一種語言都可以)和大學程度的基礎數學和基礎統計知識. 
預期每週課後學習時數
 
Office Hours
 
參考書目
教科書: 無,教師自行撰寫和在網上提供學生閱讀.
參考書目: 無 
指定閱讀
 
評量方式
(僅供參考)
   
課程進度
週次
日期
單元主題
無資料