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
115-1	366984	圖形識別	1	3.0	3	★	張陽郎 謝東儒	AI雙聯專班	11	0	碩二修

教學大綱與進度：

教師姓名	張陽郎　教師諮商時間(Office Hours)
Email	ylchang@ntut.edu.tw
最後更新時間	2026-07-07 11:34:31
課程大綱	本課程介紹電腦科學中圖形識別的基本原理與相關技術，使學生了解各種圖形識別的分類方法，經由對分類問題的分析，瞭解如何將輸入樣本依不同特性加以分類，並熟悉圖形識別系統之相關議題如：分割、特徵擷取、分類、後處理、訓練、監督/非監督式學習、機器學習，進而了解分類問題，增進其解決實際圖形識別分類問題的能力。課程內容包括下列課題：圖形識別概論, Bayesian Decision Theory, Maximum-Likelihood, 非參數法學習, K-Nearest Neighbor Estimation, The Nearest-Neighbor Rule, Positive Boolean Function多分類器, Linear Discriminant Functions，高維資料分類, 分類正確率評估(Accuracy Assessments)及其他重要的應用，例如: 文件分析、生物辨識、影像監控、遙測影像分類、醫療診斷、資料探勘等概念，最後並透過相關論文的研讀及討論，了解近代圖形識別的最新發展趨勢。 The course includes: Introduction to Pattern Recognition, Bayesian Decision Theory, Maximum-Likelihood & Bayesian Parameter Estimation, Non-Parametric Classification - Density Estimation, K-Nearest Neighbor Estimation, The Nearest-Neighbor Rule, Multi-Classifier - Positive Boolean Function, Linear Discriminant Functions, Pattern Recognition of High Dimensional Data Sets, Pattern Recognition for Remote Sensing Images, Biometric Certification, Video Surveillance, Accuracy Assessments and Other Related Topics.
課程進度 (1-16週)	第 1週 W1: Pattern Recognition (PR) Syllabus 第 2週 W2: An introduction to PR and its applications 第 3週 W3: Bayesian Decision Theory (BDT)–Continuous Features 第 4週 W4: BDT–Minimum-Error-Rate Classification 第 5週 W5: BDT–Discrete Features 第 6週 W6: Maximum-Likelihood & Bayesian Parameter Estimation 第 7週 W7: Non-Parametric Classification - Density Estimation 第 8週 W8: Linear Discriminant Functions 第 9週 W9: High Dimensional Data sets 第10週W10: PR of Remote Sensing (Midterm Project Proposal) 第11週W11: PR of Biometric Certification 第12週W12: PR of Video Surveillance 第13週W13: Accuracy Assessment 第14週W14: PR Special Topics in Parallel Computing 第 1週 W1: Pattern Recognition (PR) Syllabus 第 2週 W2: An introduction to PR and its applications 第 3週 W3: Bayesian Decision Theory (BDT)–Continuous Features 第 4週 W4: BDT–Minimum-Error-Rate Classification 第 5週 W5: BDT–Discrete Features 第 6週 W6: Maximum-Likelihood & Bayesian Parameter Estimation 第 7週 W7: Non-Parametric Classification - Density Estimation 第 8週 W8: Linear Discriminant Functions 第 9週 W9: High Dimensional Data sets (Midterm Exam) 第10週W10: PR of Remote Sensing (Midterm Project Proposal) 第11週W11: Accuracy Assessment 第12週W12: PR of Video Surveillance 第13週W13: PR Special Topics in Parallel Computing 第14週W14: PR Special Topics in High Performance Computing 第15週W15: PR Term Project Presentation 第16週W16: PR Term Project Presentation 第17週W17: PR Independent Study 第18週W18: PR Independent Study
彈性學習 (17-18週)	類別 　 內容 　 時數 (小時) 　 學習成果 　 評量比例
評量方式與標準	作業成績 Homework Assignments (50%) 專題 Term project (oral presentation and term paper) (50%)
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：是 參考書 Reference : Pattern Classification by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons
課程諮詢管道	課程諮詢及最新資訊公布: 請申請(經助教認證後)加入FB"北科電研圖形識別-Pattern Recognition" https://www.facebook.com/groups/1468628966800395
延伸教學與資源	● 數位教材資源應用 (Application of Digital Resources) 採用影音多媒體或具開放授權之資源（如OCW、開放教科書）作為主要或輔助教材。 Adopts multimedia or open-licensed resources (e.g., OCW, Open Textbooks) as primary or supplementary teaching materials.
課程對應SDGs指標	SDG9：產業創新與基礎設施（Industry, Innovation and Infrastructure） SDG11：永續城市與社區（Sustainable Cities and Communities） SDG13：氣候行動（Climate Action）
課程是否導入AI	● 鼓勵學生使用生成式AI工具（Encourage students to use generative AI tools） ● 簡單介紹AI的基本概念（Briefly introduce the basic concept of AI）
備註