機器學習實務(2023春季班)
Teacher: 周信宏
2023/03/01~2023/12/27

Summary

本課程是獲教育部「108年度磨課師課程推動計畫」補助所規劃推出的進階型課程。課程內容包含:人工智慧技術演進、深度學習多層神經網路(DNN)和卷積神經網路(CNN)的模型原理,以及相關套件(Tensorflow, Keras)的實作方法。透過資料視覺化呈現、資料前處理和常用機器學習(MLP, Random Forest, Logistic Regression, SVM等)的原理和實作方法,使同學具備影像和數據資料的模型訓練、分類、預測和評估的技術。

Course Object

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。

Course Teacher Intro

周信宏/副教授

【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

Course Schedule

第1週:一、人工智慧的進展/二、什麼是機器學習?

第2週:三、類神經網路/四、MLP案例實作

第3週:五、卷積式神經網路

第4週:六、CNN影像辨識案例實作

第5週:七、資料處理工具介紹

第6週:八、MLP數據分析案例實作

第7週:九、監督式學習

第8週:十、機器學習工具

第9週:十一、監督式學習實作(I)/十二、監督式學習實作(II)

第10週:十三、非監督式學習

第11週:學習緩衝週(5/10-5/16)

Course Content

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
7.1 資料視覺化工具:Numpy
7.2 資料處理工具(I):Pandas
7.3 資料處理工具(II):Matplotlib

八、MLP數據分析案例實作
8.1 Iris(鳶尾花)資料集介紹
8.2 MLP模型建置流程
8.3 MLP模型訓練與評估

九、監督式學習
9.1 決策樹與隨機森林(Random Forest, RF)
9.2 羅吉斯迴歸(Logistic Regression, LR)
9.3 支援向量機(Support Vector Machine, SVM)
9.4 K-近鄰演算法(k-Nearest Neighbor, KNN)
9.5 貝氏分類器(Naive Bayes Classification)

十、機器學習工具
10.1 Scikit-learn Logistic Regression
10.2 Scikit-learn Random Forest Classifier
10.3 Scikit-learn Support Vector Classifier
10.4 Scikit-learn Kneighbors Classifier
10.5 Scikit-learn GaussianNB和MultinomialNB

十一、監督式學習實作(I)
11.1 威斯康辛乳癌數據集介紹
11.2 LR模型建置流程
11.3 RF模型建置流程

十二、監督式學習實作(II)
12.1 SVC模型建置流程
12.2 裝袋法Bagging整體學習
12.3 投票法Voting整體學習

十三、非監督式學習
13.1 K-mean分群法
13.2 K-Means實作
13.3 DBSCAN分群法
13.4 DBSCAN實作


Course Mode

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,總影音時數10小時。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。

參考學習時數:各校抵認學分的規定不盡相同,以各校規定為主;在此僅提供預估之學習時數供參。


Course Grade

課程及格標準: 60 分  滿分: 100分 

  • 隨堂測驗(100%):針對回答的正確性進行評分。

Grade Required


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

Course Ability

學員必須具備Python程式語言的能力。

Course Suggest

  • 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。
  • Certificate information

    本課程修課通過證明費用:250元
    如何申請及下載證書?