摘要
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(一) (Artificial Intelligence - 1)
第2週:人工智慧(二) (Artificial Intelligence - 2)
第3週:神經網路(一) (Neural Network - 1)
第4週:神經網路(二) (Neural Network - 2)
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
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
常見問答集
(1) 此課程完成後是否提供相關證書?
答:總成績超過(含) 60分者,可獲得「修課通過證明」。
但修課通過證明並非學分證明,有關採認為學分一事,需詢問您就讀學校是否承認。
(2) 問:是否有固定的上課時間?是否需要每週都進入課程?
答:課程為網路性質,將每週釋出新的影音進度。學員於課程結束前,請自行安排時間觀看影音。但是,測驗題有時間限制,請留意開放時間。根據經驗,若每週學員自行安排固定時間跟上進度,學習效果較佳。
(3) 測驗題是否需要完成?
答:測驗題均為自由參加性質,不強制參加。
若您有參與任何翻轉課程,則另當別論;
同時,若您想取得修課通過證明,需透過測驗題獲取成績,並通過成績門檻,才可取得。