◎系所教育目標：
配合國家產業發展需要，本系以培育高級電機科技人才為目的。在教學上並重理論及實作的探討，以期待培育出具有深厚電資基礎並能實際應用的科技人才，在專業必修中涵蓋所有電機系所需之基礎理論。本系分控制與晶片組、通訊與計算機組及材料與能源組來發展，控制與晶片組相關有：VLSI設計、控制系統，數位訊號處理程式設計；通訊與計算機組相關有：RFID、通訊原理、數位訊號處理；材料與能源組：光電工程、電力電子、固態電子元件；並有畢業專題製作，使學生有紮實基礎，作為日後的升學就業準備。在整合專業與智能心性下完成學生具「經業以恆、思辨以弘、勵志以高、經世以遠」之教育目標。 |
| ◎核心能力 | 關聯性 |
| 1.培養技術應用的基礎能力 | 4 關聯性稍強 |
| 2.培養分析問題的能力 | 5 關聯性最強 |
| 3.強化學生的抗壓性與創造力 | 4 關聯性稍強 |
◎本學科學習目標：
機器學習是一個重要日益且受重視的研究領域，機器學習是研究如何讓電腦具有學習的能力，並從以往的經驗、資料中學習到知識，以增進電腦本身的效能。在近幾年機器學習已有許多成功的應用，且所發展的方法已被應用於消費者或網路行為分析，聲音或影像識別，乃至於生物資訊等新興產業。本課程則是機器學習的導論課程，主要目的在介紹機器學習的基本概念、各種技術及演算法，並介紹機器學習的一些應用。 |
| ◎教學進度： |
| 週次 | 主題 | 教學內容 | 教學方法 |
01
09/24 | Introduction to machine learning | Introduction to machine learning | 作業/習題演練、講授。 |
02
10/01 | Supervised learning | Supervised learning | 作業/習題演練、講授。 |
03
10/08 | Classification | Classification | 作業/習題演練、講授。 |
04
10/15 | Discrimination Functions | Discrimination Functions | 作業/習題演練、講授。 |
05
10/22 | Bayesian Network | Bayesian Network | 作業/習題演練、講授。 |
06
10/29 | Elements of Reinforcement Learning | Elements of Reinforcement Learning | 作業/習題演練、講授。 |
07
11/05 | Model-Based Learning | Model-Based Learning | 作業/習題演練、講授。 |
08
11/12 | Temporal Difference Learning | Temporal Difference Learning | 作業/習題演練、講授。 |
09
11/19 | 個別專題報告 | 個別專題報告 | 操作/實作、討論。 |
10
11/26 | Geometry of the Linear Discriminant /Gradient Descent | Geometry of the Linear Discriminant /Gradient Descent | 作業/習題演練、講授。 |
11
12/03 | Logistic Discrimination | Logistic Discrimination | 作業/習題演練、講授。 |
12
12/10 | Support Vector Machine | Support Vector Machine | 作業/習題演練、講授。 |
13
12/17 | k-Means Clustering | k-Means Clustering | 作業/習題演練、講授。 |
14
12/24 | Expectation-Maximization Algorithm | Expectation-Maximization Algorithm | 作業/習題演練、講授。 |
15
12/31 | The Perceptron | The Perceptron | 作業/習題演練、講授。 |
16
01/07 | Backpropagation Algorithm | Backpropagation Algorithm | 作業/習題演練、講授。 |
17
01/14 | Training Procedures | Training Procedures | 作業/習題演練、講授。 |
18
01/21 | 個別專題與系統研發 | 個別專題與系統研發 | 作業/習題演練、講授、討論。 |
◎課程要求：
本課程期待培養出獨立與自主找尋研究題目並進行分析與創新
學生須具備英文閱讀與理解研究論文能力以及以最熟悉之的程式語言實現論文內容並進行討論 |
◎成績考核
書面報告30%
口頭報告30%
操作/實作25%
作業/習題演練15%
補充說明：成績考核包含課後習題 MINI PROJECT & 期中與期末報告 |
◎參考書目與學習資源
Introduction to Machine Learning, Ethem Alpaydin. 2nd Ed., The MIT Press, October 2010, ISBN 0-262-01211-1代理商：開發圖書有限公司 |
| ◎教材講義 請改以帳號登入校務系統選擇全校課程查詢方能查看教材講義 |