◎系所教育目標: 配合國家產業發展需要,本系以培育優質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;在專業選修中分電子與系統兩組之課程地圖規劃;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 | 3 關聯性中等 |
2.培養分析問題的能力 | 5 關聯性最強 |
3.強化學生的創造力 | 4 關聯性稍強 |
◎本學科學習目標: 本課程目標主要是探討利用機器做為分類資料的理論,方法與實踐。一般而言,利用電腦做為分析語音、影像、視訊等多媒體的技術,已成為目前科技的一種重要分支。希望學生能夠習知這類的基礎知識,做為其研究或就業的基礎知識。
本課程先簡介以統計上的分類知識開始,再引進貝氏分類與決策。首先以貝式決策理論開始討論,並介紹群聚與分類的概念。也介紹分類器的種類,特徵抽取,特徵分析,類神經網路、模糊分類,基因演算法等分類器的概念與應用。並引進數個實際應用範例。 |
◎教學進度: |
週次 | 主題 | 教學內容 | 教學方法 |
01
| 課程簡介
統計與分類 | 課程簡介
統計與分類 | 講授。 |
02
| 資料群聚與分類
分類基本概念與例子 | 資料群聚與分類
分類基本概念與例子 | 講授。 |
03
| 資料群聚與分類
應用範例,程式實作 | 資料群聚與分類
應用範例,程式實作 | 講授。 |
04
| 貝氏分類器
概論與例子,理論推演 | 貝氏分類器
概論與例子,理論推演 | 講授。 |
05
| 貝氏分類器
應用範例,程式實作 | 貝氏分類器
應用範例,程式實作 | 講授。 |
06
| 特徵抽取與特徵評估
概論與例子,理論推演 | 特徵抽取與特徵評估
概論與例子,理論推演 | 講授。 |
07
| 範例報告 (考試) | 範例報告 (考試) | 口頭報告。 |
08
| 特徵抽取與特徵評估
應用範例,程式實作 | 特徵抽取與特徵評估
應用範例,程式實作 | 講授。 |
09
| 統計式分類器
概論與例子,理論推演 | 統計式分類器
概論與例子,理論推演 | 講授。 |
10
| 統計式分類器
應用範例,程式實作 | 統計式分類器
應用範例,程式實作 | 講授。 |
11
| 類神經網路式分類器
概論與例子,理論推演 | 類神經網路式分類器
概論與例子,理論推演 | 講授。 |
12
| 類神經網路式分類器
應用範例,程式實作 | 類神經網路式分類器
應用範例,程式實作 | 講授。 |
13
| 範例報告 (考試) | 範例報告 (考試) | 口頭報告。 |
14
| 模糊集合式分類器
概論與例子,理論推演
應用範例,程式實作 | 模糊集合式分類器
概論與例子,理論推演,應用範例,程式實作 | 講授。 |
15
| 基因演算式分類器
概論與例子,理論推演
應用範例,程式實作 | 基因演算式分類器
概論與例子,理論推演
應用範例,程式實作 | 講授。 |
16
| 應用實例(報告)
語音處理,影像處理 | 應用實例 (報告)
語音處理,影像處理 | 口頭報告。 |
17
| 應用實例(報告)
語音處理,影像處理 | 應用實例(報告)
語音處理,影像處理 | 口頭報告。 |
18
| 範例報告 (考試) | 範例報告 (考試) | 口頭報告。 |
◎課程要求: 本課程重視理論和程式實作。修課同學一定要有基本英文期刊閱讀能力與程式撰寫能力。
期末將針對論文口頭報告(佔60%),和期末實作專題(佔40%)作成績考核。
因此若對程式和期刊論文閱讀不感興趣的同學,建議不要修習本課程。 |
◎成績考核 口頭報告60% 作業/習題演練40% 補充說明:每位修課同學,至少要口頭報告一次(佔60%)。還有一份期末專題實作(佔40%)。 |
◎參考書目與學習資源 五、參考書目:
1. S. Theodoridis and K. Koutroumbas, Pattern Recognition, 4th edition, Academic Press (2009)
References:
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2001)
C.M. Bishop, Pattern Recognition and Machine Learning (2006) |
◎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 |