机器学习实务(2022春季班)
教师: 周信宏
2022/03/08~2022/05/17

概要

本课程是获教育部「108年度磨课师课程推动计划」所规划推出的高端型课程。课程内容包含:人工智能技术演进、深度学习多层神经网络(DNN)和卷积神经网络(CNN)的模型原理,以及相关套件(Tensorflow, Keras)的实作方法。通过数据可视化呈现、数据前处理和常用机器学习(MLP, Random Forest, Logistic Regression, SVM等)的原理和实作方法,使同学具备影像和数据数据的模型训练、分类、预测和评估的技术。

课程目标

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。

授课教师

  • 教師姓名:周信宏
  • 教師簡介

【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】

  • 暨南國際大學資訊工程系/副教授
  • 長榮大學資訊暨設計學院人工智慧研究中心/主任
  • 長榮大學資訊管理學系/助理教授/系主任
  • 台灣電腦對局學會(TCGA)/理事
  • 財團法人資訊工業策進會-雲端服務暨巨量資料產業發展計畫/AI與數據應用領域專家顧問
  • 智慧城鄉生活應用發展計畫-人工智慧應用(AI)融合大影像與多來源資料之智慧診斷服務計畫/技術顧問

【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

课程进度表

第1周:人工智能的进展/什么是机器学习?

第2周:类神经网络/MLP案例实作

第3周:卷积式神经网络

第4周:CNN影像辨识案例实作

第5周:数据处理工具介绍

第6周:MLP数据分析案例实作

第7周:监督式学习

第8周:机器学习工具

第9周:监督式学习实作(I)/监督式学习实作(II)

第10周:非监督式学习

课程内容

一、人工智能的进展
1.1 人工智能重大进展
1.2 电脑围棋Alpha Go简介
1.3 人工智能运用应用领域简介

二、什么是机器学习?
2.1 机器学习的类型
2.2 机器学习系统的建构准则
2.3 Python程序开发环境安装与设置

三、类神经网络
3.1 神经元结构
3.2(I) 多层感知网络(MLP)概念
3.2(II) 多层感知网络(MLP)概念
3.3 MLP模型架构

四、MLP案例实作
4.1 MNIST手写字数据集介绍
4.2 MLP模型建置流程
4.3 MLP模型训练与评估

五、卷积式神经网络
5.1 影像卷积处理概念
5.2 卷积式神经网络(CNN)概念
5.3 CNN模型架构
5.4 CNN经典模型介绍

六、CNN影像辨识案例实作
6.1 Cifar-10数据集介绍
6.2 CNN模型建置流程
6.3 CNN模型训练与评估
6.4 常用的OpenCV影像处理功能介绍

七、数据处理工具介绍
八、MLP数据分析案例实作
九、监督式学习
十、机器学习工具
十一、监督式学习实作(I)
十二、监督式学习实作(II)
十三、非监督式学习

上课形式

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。

评分标准

課程及格標準: 60 分  滿分: 100分 

  • 線上觀看影音教材(20%):提升學生自主學習動機,根據瀏覽紀錄比例進行評分。課程地圖中,影片右側的方框顯示勾選,並不表示此影片已觀看完成,系統後端將依認定截止日前,學員觀看每段影片的時長,計算影片瀏覽率,以作為此項「線上觀看影音教材成績」。
  • 隨堂測驗(80%):針對回答的正確性進行評分。

通过标准


Course grade pass:60Grade Memo:max grade 100 point

先修科目或先备能力

學員必須具備Python程式語言的能力。

建议参考书目

  • Python機器學習(第二版),Sebastian Raschka, Vahid Mirjalili原著,  劉立民、吳建華編譯,博碩出版社,出版日期:2018/08/30。
  • 機器學習-工作現場的評估、導入與實作,有賀康顕、中山心太、西林孝原著,許郁文翻譯,歐萊禮出版社,出版日期:2018/09/06。
  • 機器學習:特徵工程,Alice Zheng, Amanda Casari原著,歐萊禮出版社,出版日期:2020/04/30。

  • 其它

    本課程修課通過證明費用:250元
    如何申請及下載證書?