本課程目標在培養同學具備深度學習和數據分析實作能力，以滿足產業AI人才技能的需求。
【現職】國立暨南國際大學資訊工程系（原任職長榮大學資訊暨設計學院）
【學歷】國立臺灣大學資訊工程學系博士
【經歷】
【專業】圖形演算法、電腦對局、人工智慧、深度學習、數據分析、生物資訊
第1週:人工智慧的進展／什麼是機器學習？
第2週:類神經網路／MLP案例實作
第3週:卷積式神經網路
第4週:CNN影像辨識案例實作
第5週:資料處理工具介紹
第6週:MLP數據分析案例實作
第7週:監督式學習
第8週:機器學習工具
第9週:監督式學習實作(I)／監督式學習實作(II)
第10週:非監督式學習
一、人工智慧的進展1.1 人工智慧重大進展1.2 電腦圍棋Alpha Go簡介1.3 人工智慧運用應用領域簡介
二、什麼是機器學習？2.1 機器學習的類型2.2 機器學習系統的建構準則2.3 Python程式開發環境安裝與設定
三、類神經網路3.1 神經元結構3.2(I) 多層感知網路（MLP）概念3.2(II) 多層感知網路（MLP）概念3.3 MLP模型架構
四、MLP案例實作4.1 MNIST手寫字資料集介紹4.2 MLP模型建置流程4.3 MLP模型訓練與評估
五、卷積式神經網路5.1 影像卷積處理概念5.2 卷積式神經網路（CNN）概念5.3 CNN模型架構5.4 CNN經典模型介紹
六、CNN影像辨識案例實作6.1 Cifar-10資料集介紹6.2 CNN模型建置流程6.3 CNN模型訓練與評估6.4 常用的OpenCV影像處理功能介紹
七、資料處理工具介紹八、MLP數據分析案例實作九、監督式學習十、機器學習工具十一、監督式學習實作(I)十二、監督式學習實作(II)十三、非監督式學習
本課程分為13個主要單元，每個單元依據學習份量，有數段10-15分鐘左右的視頻影片。每個單元內容提供隨堂測驗及議題討論，以幫助學習者快速確認是否瞭解上課內容；每週另有主題作業用以考核學習成果。
課程及格標準： 60 分 滿分： 100分
學員必須具備Python程式語言的能力。