教學大綱與進度

課程基本資料：

學年期	課號	課程名稱	階段	學分	時數	修	教師	班級	人	撤	備註
113-2	350702	自主學習	1	1.0	2	★	許東亞 陸元平	機械三甲	2	0

教學大綱與進度：

教師姓名	陸元平　教師諮商時間(Office Hours)
Email	yuan@ntut.edu.tw
最後更新時間	2025-03-05 15:35:25
課程大綱	為培養大學部學生自主學習能力，由學生主動積極創造並實現自己有興趣之主題。學生於特定主題之創造與實現中，學習到思考批判與問題解決等能力。教師擔任輔助指導角色，引導學生從實踐中學習問題解決能力。 學生根據自己的興趣與能力訂定自主學習計畫，並於開學前向各系提出申請，由本系專任老師擔任指導教師，審查計畫及評核學期成績。 This course aims to develop undergraduates’ active learning skills by making students engage in the creation and realization of topics of students’ own interest. In the process of specific topic creation and realization, students will proactively learn critical-thinking and problem-solving skills. Instructors cultivate the active engagement of students in problem solving, without actually participating in it. In this course, students are required to draw up self-learning plans based on their own interests and capabilities and then submit their plans to the departmental office for approval by the beginning of the semester.
課程進度	機器學習與特徵工程：利用機器學習實現特徵工程的任務 階段一：深度學習與自動特徵提取（113-2學期 第1週~第5週） 學習 CNN、ViT和Autoencoder 等模型如何從影像、文本等數據中自動提取特徵。 階段二：基於生成模型的特徵增強（113-2學期 第6週~第9週） 探討 GAN和VAE 等生成模型，學習如何透過數據擴增改善特徵空間。 階段三：時間序列特徵提取（113-2學期 第10週~第11週） 學習如何建模長期依賴關係，並實作時間序列資料的特徵提取方法。 階段四：模型融合技巧（113-2學期 第12週~第15週） 學習基於注意力或堆疊等融合技術，將不同特徵來源的模型進行有效整合。 階段五：案例分析與設計（113-2學期 第16週~第18週） 選擇實際案例，應用前述學習的特徵工程方法，從數據預處理到模型應用。
評量方式與標準	討論互動40%、期末報告60%
使用教材、參考書目或其他	【遵守智慧財產權觀念，請使用正版教科書，不得使用非法影印教科書】 使用外文原文書：否 Hung-yi Lee, MACHINE LEARNING 2021 SPRING, 2025 SPRING
課程諮詢管道	預約一對一討論
課程對應SDGs指標	SDG9：產業創新與基礎設施（Industry, Innovation and Infrastructure）
課程是否導入AI
備註	無