人工智慧

臺北科技大學 115-1 學期課程，課號 361486。

課程大綱

本課程以統計機器學習的基本理論與方法為主，內容涵蓋監督學習、無監督學習及常見機率模型，協助學生建立完整的機器學習基礎。課程共分為三個部分： 第一部份: 概念介紹與監督學習 第二部份 無監督學習 第三部份 機器學習總結 This course focuses on the fundamental theories and methods of statistical machine learning, covering supervised learning, unsupervised learning, and common probabilistic models to help students build a comprehensive foundation in machine learning. The course is divided into three parts: Part 1: Introduction to Concepts and Supervised Learning Part Two: Unsupervised Learning Part Three: Summary of Machine Learning

課程進度

第1週：統計學習與機器學習概論 Week 1: Introduction to Statistical Learning and Machine Learning 第2週：感知機原理、 k-Nearest Neighbor - kNN Week 2: Perceptron principle、 k-Nearest Neighbor - kNN 第3週：單純貝氏法、決策樹 Week 3: Simple Baumer method、Decision Tree 第4週：邏輯回歸與最大熵模型 Week 4: Logistic Regression and Maximum Entropy Model 第5週：支持向量機、提升方法 Week 5: Support Vector Machine、Improvement methods 第6週：EM演算法 Week 6: EM Algorithm 第7週：隱馬可夫模型 Week 7: Hidden Markov Model 第8週：條件隨機場 Week 8: Conditional Random Fields 第9週：無監督學習概論 Week 9: Introduction to Unsupervised Learning 第10週：聚類方法 Week 10: Clustering methods 第11週：奇異值分解、主成分分析 Week 11: Singular Value Decomposition、Principal component analysis 潛在語意分析 與 機率潛在語意分析 (自行閱讀) Latent semantic analysis and probabilistic latent semantic analysis (read on your own) 第12週：馬可夫鏈蒙地卡羅法 Week 12: Markov chain Monte Carlo method 第13週：潛在狄利克雷分配 Week 13: Potential Dirichlet Allocation 第14週：PageRank 演算法 Week 14: PageRank Algorithm 第15週：機器學習總結 Week 15: Machine Learning Summary 第16週：期末報告 Week 16: Final Report

評量方式

平時作業成績：50% 出席：20% 期末報告：10% 第17-18週線上出席表現:10% 第17-18週心得作業成績:10% 課堂參與額外加分 翹課一次扣總成績10分、請假第二次開始扣總成績1分、遲到早退一次扣總成績1分、學期缺課次數過多將增加總扣分數、作弊一律以不及格論

教材

【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：否 使用自編教材