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
110-1	290783	機器學習	1	3.0	3	★	廖元甫	電子四甲 電子四乙 電子三甲 電子三乙	53	3	◎電子三、四甲乙與電子所合開，全學期遠距教學授課

教學大綱與進度：

教師姓名	廖元甫
Email	yfliao@ntut.edu.tw
最後更新時間	2021-09-18 23:33:56
課程大綱	機器學習探討如何能由觀測到的資料中自我學習，自我進化，而能自動增進其處理效能。例如進行預測，特徵擷取，分類，模式辨認，決策，各種訊號處理，甚至建立人工智慧等等。本課程將介紹機器學習的基礎演算法、理論及工具。並讓學生嘗試在各種領域中實際實踐這些技術。課程內容包括：(a) 監督式學習（例如參數和非參數演算法、支持向量機和類神經網路等），(b) 無監督學習（例如群聚、降維和深度學習等）與 (c) 機器學習應用實例（例如語音信號處理，影像訊號處理，音訊訊號處理與自然語言處理，資訊擷取與資料搜尋等）。
課程進度	課程： 1 機器學習簡介 2 監督式學習（Supervised Learning） 2.1 回歸（Regression） 2.2 分類器（Classifier） 3 非監督式學習 （Unsupervised Learning） 3.1 分群（Clustering） 3.2 降維 （Dimension Reduction） 4. 深度學習簡介 4.1 深層類神經網路 (DNNs) 4.2 捲積類神經網路 (CNNs) 4.3 自編碼類神經網路 (AutoEncoder) 4.4 遞迴類神經網路 (RNNs) 5. 進階網路架構 5.1 增強式學習網路（Reinforce Learning） 5.2 對抗式學習網路（Generative Adversarial Training） 實驗： 1 深度學習工具庫（Keras+Tensorflow） 1.1. Working Environment/Deep Learning Software Packages 2. DNNs 2.1 Logistic Regression 2.2 DNNs 2.3. CNNs 3. RNNs 4. Word2Vec 5. DQN
評量方式與標準	線上Kaggle競賽（https://www.kaggle.com/）至少三次／程式作業100%（包含上台報告跟Github程式與報告繳交！）
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 自編講義：請進入『北科Ｉ學園PLUS』教室環境，由學習互動區下之『教材及錄影』頁面瀏覽教材目錄及下載講義。 上課講義已上傳到『北科Ｉ學園PLUS』，但上課前仍可能會再視情況加以修改！
課程諮詢管道	老師Email: yfliao@mail.ntut.edu.tw 老師Line ID: maxi62 研究室助理分機：2247 課程Line群組：http://line.me/ti/g/CHJxERttOG (請在手機中打開連結，在PC好像無法連動)
備註	因應疫情發展，本學期教學及授課方式請依照學校網頁所公布之訊息為準： (https://oaa.ntut.edu.tw/p/404-1008-98622.php?Lang=zh-tw) ●上課方式：遠距上課 ●評量方式： 線上Kaggle競賽（https://www.kaggle.com/）／程式作業100%（包含線上報告跟Github程式與報告繳交！） ●補充說明資訊： 注意： 依遠距教學規範，每節課皆會使用Zuvio進行線上點名（需打開定位資訊）！ 課程Line群組：http://line.me/ti/g/CHJxERttOG (請在手機中打開連結，在PC好像無法連動) 課程Facebook社團： https://www.facebook.com/groups/613754325687854