Course Syllabus

Course Information：

Year-Semester Course Number Course Name Phase Credits Hours Required/Elective Instructor Class Student NO. Withdraw Note

Spring Semester
Year 2019 260606 Artificial intelligent and machine learning 1 3.0 3 ★ Hsien-I Lin 4ME4A
4ME4B
4ME4C 0 0 機械大四、機電所與自動化所合開【停開】

Year-Semester	Course Number	Course Name	Phase	Credits	Hours	Required/Elective	Instructor	Class	Student NO.	Withdraw	Note
Spring Semester Year 2019	260606	Artificial intelligent and machine learning	1	3.0	3	★	Hsien-I Lin	4ME4A 4ME4B 4ME4C	0	0	機械大四、機電所與自動化所合開【停開】

Course Plan：

Instructor Hsien-I Lin

Email sofin@ntut.edu.tw

Last Updated 2019-03-15 08:10:20

Course Objective 使學員瞭解Python程式語言於機器學習應用，以及機器學習的理論背景、評估如何使用適當的演算法於實際例子、內容包括回歸分析於資料預測、資料維度減少方法於資料特徵提取、資料分類方法包括支援向量機與類神經網路方法。課程主要配合Python例子增進學員了解機器學習的相關知識與提升在資訊處理時代之競爭力。

Course Schedule 週次授課大綱第一週 Introduction to machine learning 第二週 Probability and optimization 第三週 Introduction to python 第四週 Bayesian decision theory 第五週 Linear regression 第六週 Maximum likelihood 第七週 Nearest neighbors and VC-dimension 第八週 Dimension reduction 第九週 Mid-term exam 第十週 Logistic regression 第十一週 Kernel methods 第十二週 Support vector machine 第十三週 Neural Networks 第十四週 CNNs, Resnets, and auto-encoders 第十五週 Hidden Markov Models 第十六週 LSTM and RNN 第十七週 Special topics on machine learning 第十八週 Final exam

Evaluation and grading policy 期中考 40% 期末考 40% 期末專題 20%

Materials All right reserved. Do not reproduce without permission.

Foreign-language textbooks:No
　

The access to curricular consultation

Note
　

Instructor	Hsien-I Lin
Email	sofin@ntut.edu.tw
Last Updated	2019-03-15 08:10:20
Course Objective	使學員瞭解Python程式語言於機器學習應用，以及機器學習的理論背景、評估如何使用適當的演算法於實際例子、內容包括回歸分析於資料預測、資料維度減少方法於資料特徵提取、資料分類方法包括支援向量機與類神經網路方法。課程主要配合Python例子增進學員了解機器學習的相關知識與提升在資訊處理時代之競爭力。
Course Schedule	週次授課大綱第一週 Introduction to machine learning 第二週 Probability and optimization 第三週 Introduction to python 第四週 Bayesian decision theory 第五週 Linear regression 第六週 Maximum likelihood 第七週 Nearest neighbors and VC-dimension 第八週 Dimension reduction 第九週 Mid-term exam 第十週 Logistic regression 第十一週 Kernel methods 第十二週 Support vector machine 第十三週 Neural Networks 第十四週 CNNs, Resnets, and auto-encoders 第十五週 Hidden Markov Models 第十六週 LSTM and RNN 第十七週 Special topics on machine learning 第十八週 Final exam
Evaluation and grading policy	期中考 40% 期末考 40% 期末專題 20%
Materials	All right reserved. Do not reproduce without permission. Foreign-language textbooks:No
The access to curricular consultation
Note