SC201

AI班

課程介紹

課前要求:SC101 或是 同等之程式語言基礎

十八堂課

每堂課程3小時,包含實作1小時
從機器學習的理論概念出發,先講解資料的前處理及分析,帶入迴歸問題的數學概念及程式轉換,接著引入各式優化機器學習的理論,並使用套件講解運用機器學習的熱門演算法,接著進到深度學習,從類神經網路開始,講解類神經網路的各種層數及使用,最後進入卷積及循環神經網路,實際編寫圖像及時序性資料的的判斷。


四份作業

運用機器學習的概念實際應用,其中包含一份Email合法性判斷、一份爛番茄影評優劣評定、一份鐵達尼號生存率、一個班級Kaggle競賽及一份深度學習圖像分析的小型專案


一份專案

結合課程所學,讓學生們分組尋找現實中實際應用的問題並加以研究,最後將成果以發表會的形式呈現。

機器學習

基礎概念

梯度下降法

(Gradient Descent)

回歸及分類問題

(Regression and Classification)

資料預處理

(normalization, polynomial)

機器學習

進階應用

監督式模型

(Decision Tree, Random Forest, SVM)

非監督式模型

(PCA, K-Means)

正則化

(Regularization)

深度學習及

類神經網路

類神經網路

(Neural Networks)

激勵函數

(Activation Functions)

學習優化器

(Momentum, AdaGrad, AdaDelta, RMSProp)

圖像處理與

卷積網路

卷積神經層

(Convolution Layer)

池化神經層

(Pooling Layer)

圖像判定模型

(Resnet、VGGnet)

自然語言與

時序性模型

循環神經網路

(RNN, LSTM)

詞嵌入

(Word Embedding)

轉移學習

(Transfer Learning)

影片處理與

專案製作

資料搜集與處理

(Data Pre-processing)

模型整合與轉換

(Model Integration)

研究分析與發表

(Analysis and Publication)

SC201

Teaching Assistants

Will Wang

SC201 平日班
台北歐洲學校

June-Yo Chen

SC201 平日班
康乃爾大學
化學工程學系
博士班

Po-Kai Feng

SC201 平日班
新竹教育大學
數理教育所 碩士

Jacky Hsiao

SC201 平日班
國立清華大學
材料系 碩士

Shih-Ya Chang

SC201 平日班
密西根大學
社會工作 碩士

Jenny Wei

SC201 平日班
巴黎政治學院
人權與人道行動系 碩士

SC201

POSTER SESSIONS

年度課表

授課方式

實體

捷運大安站共構大樓:臺北市大安區信義路四段6號

線上

Google Meet

Close Menu