人工智慧與深度學習
教師: 孫春在,柯維然

2017/12/18 ~ 2018/02/11
8小時/8週 (尚未開始)

摘要

人工智慧(Artificial Intelligence)旨在研究如何實現智慧機器的科學與工程,其中深度學習(Deep Learning)技術近年來獲得非常大的進步與關注,如影像、語音辨識等應用,甚至能在圍棋上戰勝人類,都讓我們看到深度學習技術的潛力與未來影響。本課程淺談人工智慧發展進程,從介紹機器該如何學習開始,講述神經網路(Neural network) 架構與理論;延伸到近年來的熱門深度學習技術,包含捲積神經網路(Convolution neural network)、遞迴神經網路(Recurrent neural network)架構與理論,最後分享目前熱門的研究進展,如產生式模型(Generative model)、深度增強學習(Deep reinforcement learning)。對於學習本課程的學員來說,可以獲得深度學習的相關背景知識與最新研究成果,對後續相關領域之學習或是應用上有相當大的幫助。

課程目標

  • 介紹從人工智慧到深度學習演進。
  • 介紹深度學習領域中各種模型架構與理論,不以特定領域應用為主。
  • 介紹最新研究進展。
  • 以廣度為優先,著重直觀解釋,省略嚴格數學推導。

授課教師

孫春在老師

孫春在老師為美國加州大學柏克萊分校資訊工程博士,目前為國立交通大學資訊工程系特聘教授。研究興趣為模糊類神經網路、演化式計算、數位學習、數位遊戲、電腦模擬。孫老師的研究領域除了著重在科技研發,也重視資訊社會與教育的關懷,期能透過研究,提升社會對科技的認識以及學生對學習的成效。

柯維然老師

柯維然老師為交通大學資訊工程研究所碩士班,研究興趣為交通工程、交通事故統計分析、人工智慧、深度學習等,並有應用深度學習於車流預測與生成式模型相關研究。目前服務於新竹市警察局,開發多個警政資料分析系統,曾受邀至交通部、交通大學、Python社群演講。

課程進度表

第1週:人工智慧(Artificial Intelligence)

第2週:人工智慧(Artificial Intelligence)

第3週:神經網路(一)(Neural Network)

第4週:神經網路(二) (Neural Network)

第5週:邁向深度學習

第6週:捲積神經網路 (Convolution Neural Network)

第7週:遞迴神經網路 (Recurrent Neural Network)

第8週:最新研究進展

課程內容

%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7_%E8

評分標準

隨堂測驗(60%):第 2 週 ~ 第 7 週安排隨堂測驗,共計 6 次,佔學期成績 60%。
期末測驗(40%):最後一週安排期末測驗,共 1 次,佔學期成績 40 %

通過標準


課程及格標準:60分滿分:100分

先修科目或先備能力

基礎微積分及線性代數

有機率與統計相關先備知識佳