按此列印  
                           
   
  請尊重智慧財產權，課程教材不得非法影印。  
  佛光大學
Fo Guang University
教學計畫表 Syllabus		  
 
課程中文名稱
Course Name in Chinese 		機器學習實作
課號
Course Code 		CS31L00
課程英文名稱
Course Name in English		 Implementation ofMachine Learning Algorithms
學年/學期
Academic Yeas/Semester		 113 /2
開課單位/學門別
Department/Academic Discipline		 資訊應用學系學士班
學制別
Degree		 學士班
學分數
Credits		  3    
每週授課時數
Weekly Hours of Instruction 		 3   
修別
Type		 選修 Elective
課/學程別
Program		 學系專業選修Specialized Elective
課程分流
 實務型
課程內容
Curriculum attribute
■一般課程 ■跨領域 ■實務
■自學力 ■實作
AI暨智慧永續發展
 AI暨智慧課程:AI專業課程    永續發展課程: 無
教學方法
Instructional Strategies
■講授 ■分組討論 ■其他
授課教師
Instructor		 駱至中
聯絡方式
locc@mail.fgu.edu.tw
03-9871000 # 23211
上課時間/地點
Time of Class/Location of Class		 五.2,3,4(U108)
先修課程
Prerequisites
課號: CS10F 課程名稱: 程式設計

課號: CS21C 課程名稱: 資料結構

課號: CS21E 課程名稱: 資料庫系統

課號: CS20M 課程名稱: 演算法

課號: CS30H 課程名稱: 人工智慧概論

課程描述（若為實務型課程需含搭配產業界或非營利組織需求之說明）
Course Description
 
由於近年來的快速發展，「人工智慧(AI)」已成為倍受重視與期待的資訊應用科技。「機器學習(Machine Learning, ML) 則是透過各種「學習演算法」從大量範例資料中自動歸納出解決問題方式的人工智慧技術，也是目前AI技術最引人注目的區塊，逐漸在日常生活中普及的臉部辨識、語音辨識等智慧應用，都是利用機器學習(ML)技術實作出的成果。
自2018年以來，產業界對於具備機器學習(ML) 實作能力的人才需求持續快速成長，但是人才供應卻極度短缺。機器學習實作課程旨在講授ML原理、重要演算法、ML模型的實作程序和開發工具/環境以培養學生的ML實作能力，讓同學擁有開發智慧型系統的經驗，以滿足產業界的人才需求。
 
課程目標 （若為實務型課程請具體描述該課程所要培養之實務能力)
Course Objectives
序號目標描述
1瞭解機器學習理論和重要的機器學習演算法
2熟悉主要的機器學習開發環境
3具備基本機器學習程式設計能力
4實作機器學習應用於選定問題的開發專案
5機器學習模型的成效測試及智慧型系統展示
授課進度表
Weekly Schedule
週次內容備註
1課程簡介、課程工具(Python @ CoLab) 與 相關規定說明
Course introduction, course tools (Python @ CoLab) and related regulations		 
2機器學習(ML)之基本理論及運作程序簡介
An introduction to the basic theory and operating procedures of machine learning (ML)		 
3Python機器學習 (1) - 基本操作 + Numpy的數學運算
Python Machine Learning - Basic Operations + Scientific Computation with Numpy		 
4Python機器學習 (2) - 以Pandas進行資料處理&分析Python machine learning - data processing & analysis with Pandas 
5Python機器學習 (3) - 以Matplotlib進行資料視覺化呈現 
6Python機器學習 (4) - 以Scikit_Learn進行機器學習 
7監督式學習 - 迴歸分析及單純貝氏分類器
Supervised Learning - Regression Analysis and Simple Bayesian Classifier		 
8監督式學習 - KNN、決策樹和隨機森林演算法
Supervised Learning - KNN, Decision Trees, and Random Forest Algorithms		 
9期中考試
Midterm Exam		 
10機器學習所得模型的驗證分析及改善 (1/2)
Verification analysis and improvement of models obtained from machine learning (1/2)		 
11監督式學習 - 類神經網路 (1/2)Supervised Learning - Neural Networks (1/2) 
12監督式學習 - 類神經網路 (2/2)Supervised Learning - Neural Networks (2/2) 
13綜合演練及期末專題提案發表
Comprehensive Exercise and Proposal of Topic of ML Final Project		 
14非監督式學習 – K-means分群分析和主成份分析(PCA)
Unsupervised learning – K-means clustering analysis and principal component analysis (PCA)		 
15機器學習所得模型的驗證分析及改善 (2/2)
Verification analysis and improvement of models obtained from machine learning (2/2)		 
16深度學習 - Tensorflow深度學習操作
Deep Learning - Deep Learning Operations using Tensorflow		 
17深度學習 - Keras深度學習操作
Deep Learning - Deep Learning Operations using Keras		 
18期末實作結果分享及討論/課程總複習Presentation and Discussion of the Students' Final Project Results / General Review of this Course實作專題結案
　
學期成績計算及多元評量方式
Grading Policy
項次配分項目/catagory配分比例/Percentage會考測驗/general_test實務操作/accounting_practice專題發表/case_presentation其他/other
1平時成績/Asssignments 25%Exams in class實作作業 Implementation Homeworks  
2期中考成績/Midterm Exam 25%期中考 Midterm Exam   
3期末考成績/Final Exam 40%期末考 Final Exam 期末專題 ML Final Project (Individual) 
4其他/other 10%  專題討論參與 Panel Discussion Participation課堂參與 Class Participation
主要參考書目
References

 石川聡彥: 必學！Python 資料科學‧機器學習最強套件：NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras，旗標，2021。

指定閱讀
Required Readings

秋庭伸也, 杉山阿聖, 寺田學: 零基礎入門的機器學習圖鑑，采實文化，2021。
教師座談/晤談地點與時間
Course Management SystemInstructor' Office and Office hours

星期三、四、五下午在雲慧樓U407研究室
學生請假規則

 1. 學生請假悉依本校「學則」及「學生請假辦法」規定辦理。
2. 依本校「學則」第33條，曠課一小時，以缺課二小時論。學生某一科目之缺課總時數達該科全學期授課時數三分之一，經該科教師扣考後，即不准參加該科目之學期各項學習成績考試或評量。
課程平台

 http://elearn.fgu.edu.tw