{"course":{"id":"112215700W01","name":"人工智慧概論","enroll_type":"選修","general_type":"","dept":"四技電子系","grade":1,"class_group":"甲","teacher":"董一志","credit":3,"hour":3,"time":[{"day":5,"section":[2,3,4]}],"classroom":"","max":50,"min":10,"remark":"甲乙合班","alt_for":"","courses":""},"detail":[["指定教材","機器學習最強入門 – 基礎數學／機率／統計邁向AI真實數據專題實作 – 王者歸來，洪錦魁，深智數位"],["參考教材","1. Python從初學到生活應用超實務（電腦視覺與AI加強版）：讓Python幫你處理日常生活與工作中繁瑣重複的工作，陳會安，2022\n2. 人工智慧，張志勇、廖文華、石貴平、王勝石、游國忠， 人工智慧，全華圖書，2020.01"],["成績評量標準","1.平時作業與報告(100% )"],["教學方法","理論講授,個案分析,分組實驗(實作),個人實驗(實作)"],["教學目標","隨著人工智慧持續發展，AI對人們的未來生活帶來衝擊與影響，以及如何應用在各大領域。\n了解人工智慧的核心概念與相關的基本技術，並在此基礎上介紹人工智慧領域最新的發展方向。本課程介紹機器學習、資料科學和人工智慧的關係，並介紹各種人工智慧理論、技術及應用，並聚焦在機器學習入門，包含基礎數學/機率/統計，邁向AI真實數據 x 專題實作，輔以敏捷式作業管理。"]],"office_time":[["董一志",""]],"schedule":[["2024/01/19","2","4","3","董一志","第1 章　機器學習基本觀念","第2 章　機器學習的基礎數學","1-1 人工智慧、機器學習、深度學習  1-2 認識機器學習  1-3 機器學習的種類  1-4 機器學習的應用範圍  1-5 深度學習","2-1 用數字描繪事物  2-2 變數觀念  2-3 從變數到函數  2-4 等式運算的規則  2-5 代數運算的基本規則  2-6 用數學抽象化開餐廳的生存條件  2-7 基礎數學的結論"],["2024/01/26","2","4","3","董一志","第3 章　認識方程式/函數/座標圖形","第4 章　 從聯立方程式看機器學習的數學模型","3-1 認識方程式  3-2 方程式文字描述方法  3-3 一元一次方程式  3-4 函數  3-5 座標圖形分析  3-6 將線性函數應用在機器學習  3-7 二元函數到多元函數  3-8 Sympy 模組","4-1 數學觀念建立連接兩點的直線  4-2 機器學習使用聯立方程式推估數據  4-3 從2 條直線的交叉點推估科學數據  4-4 兩條直線垂直交叉"],["2024/02/02","2","4","3","董一志","第5章　從畢氏定理看機器學習","第6章　聯立不等式與機器學習","5-1 驗證畢氏定理  5-2 將畢氏定理應用在性向測試  5-3 將畢氏定理應用在三維空間  5-4 將畢氏定理應用在更高維的空間  5-5 電影分類  5-6 計算兩個向量的歐幾里德距離","6-1 聯立不等式與機器學習  6-2 再看聯立不等式的基本觀念  6-3 聯立不等式的線性規劃  6-4 Python 計算"],["2024/02/23","2","4","3","董一志","第7 章　機器學習需要知道的二次函數","第8 章　機器學習的最小平方法","7-1 二次函數的基礎數學  7-2 從一次到二次函數的實務  7-3 認識二次函數的係數  7-4 使用3 個點求解一元二次函數  7-5 二次函數的配方法  7-6 二次函數與解答區間","8-1 最小平方法基本觀念  8-2 簡單的企業實例  8-3 機器學習建立含誤差值的線性方程式  8-4 Numpy 實作最小平方法  8-5 線性迴歸  8-6 實務應用"],["2024/03/01","2","4","3","董一志","第9 章　機器學習必須懂的集合","第10 章　機器學習必須懂的排列與組合","9-1 使用Python 建立集合  9-2 集合的操作  9-3 子集、宇集與補集  9-4 加入與刪除集合元素  9-5 冪集與Sympy 模組  9-6 笛卡兒積","10-1 排列基本觀念  10-2 有多少條回家路  10-3 排列組合  10-4 階乘的觀念  10-5 重複排列  10-6 組合"],["2024/03/08","2","4","3","董一志","第11 章　機器學習需要認識的機率","第12 章　二項式定理","11-1 機率基本觀念  11-2 數學機率與統計機率  11-3 事件機率名稱  11-4 事件機率規則  11-5 抽獎的機率 – 加法與乘法綜合應用  11-6 餘事件與乘法的綜合應用  11-7 條件機率  11-8 貝氏定理  11-9 蒙地卡羅模擬  11-10 Numpy 的隨機模組random","12-1 二項式的定義  12-2 二項式的幾何意義  12-3 二項式展開與規律性分析  12-4 找出xn-kyk 項的係數  12-5 二項式的通式  12-6 二項式到多項式  12-7 二項分佈實驗  12-8 將二項式觀念應用在業務數據分析  12-9 二項式機率分佈Python 實作  12-10 Numpy 隨機數模組的binomial( ) 函數"],["2024/03/15","2","4","3","董一志","第13 章　指數觀念與指數函數","第14 章　對數(logarithm)","13-1 認識指數函數  13-2 指數運算的規則  13-3 指數函數的圖形","14-1 認識對數函數  14-2 對數表的功能  14-3 對數運算可以解決指數運算的問題  14-4 認識對數的特性  14-5 對數的運算規則與驗證"],["2024/03/22","2","4","3","董一志","第15 章　歐拉數與邏輯函數","第16 章　三角函數","15-1 歐拉數  15-2 邏輯函數  15-3 logit 函數  15-4 邏輯函數的應用","16-1 直角三角形的邊長與夾角  16-2 三角函數的定義  16-3 計算三角形的面積  16-4 角度與弧度  16-5 程式處理三角函數  16-6 從單位圓看三角函數  16-7 三角函數與機器學習的關係"],["2024/03/29","2","4","3","董一志","第17 章　基礎統計與大型運算子","第18 章　機器學習的向量","17-1 母體與樣本  17-2 數據加總  17-3 數據分佈  17-4 數據中心指標  17-5 數據分散指標  17-6 符號運算規則與驗證  17-7 活用符號  17-8 迴歸分析  17-9 隨機函數的分佈","18-1 向量的基礎觀念  18-2 向量加法的規則  18-3 向量的長度  18-4 向量方程式  18-5 向量內積  18-6 皮爾遜相關係數  18-7 向量外積"],["2024/04/05","2","4","3","董一志","第19 章　機器學習的矩陣","第20 章　向量、矩陣與多元線性回歸","19-1 矩陣的表達方式  19-2 矩陣相加與相減  19-3 矩陣乘以實數  19-4 矩陣乘法  19-5 方形矩陣  19-6 單位矩陣  19-7 反矩陣  19-8 用反矩陣解聯立方程式  19-9 張量(Tensor)  19-10 轉置矩陣","20-1 向量應用在線性迴歸  20-2 向量應用在多元線性迴歸  20-3 矩陣應用在多元線性迴歸  20-4 將截距放入矩陣  20-5 簡單的線性迴歸"],["2024/04/12","2","4","3","董一志","第21 章　三次函數迴歸曲線的程式實作","第22 章　機器學習使用scikit-learn 入門","21-1 繪製數據的散點圖  21-2 三次函數的迴歸曲線模型  21-3 使用scikit-learn 模組評估迴歸模型  21-4 預測未來值  21-5 不適合的三次函數迴歸數據","22-1 scikit-learn 的歷史  22-2 機器學習的數據集  22-3 scikit-learn 生成數據實作  22-4 scikit-learn 數據預處理  22-5 機器學習scikit-learn 入門  22-6 分類演算法 - 機器學習模型的性能評估  22-7 機器學習必需會的非數值資料轉換  22-8 機器學習演算法  22-9 使用隨機數據學習線性迴歸"],["2024/04/19","2","4","3","董一志","第23 章　線性迴歸 - 波士頓房價","第24 章　 邏輯迴歸 - 信用卡/葡萄酒/糖尿病","23-1 從線性迴歸到多元線性迴歸  23-2 簡單資料測試  23-3 波士頓房價數據集  23-4 用Pandas 顯示與預處理數據  23-5 特徵選擇  23-6 使用最相關的特徵做房價預估  23-7 多項式迴歸  23-8 用所有特徵執行波士頓房價預估  23-9 殘差圖(Residual plot)  23-10 梯度下降迴歸SGDRegressor( )","24-1 淺談線性迴歸的問題  24-2 邏輯迴歸觀念回顧  24-3 邏輯迴歸模型基礎應用  24-4 台灣信用卡持卡人數據集  24-5 葡萄酒數據  24-6 糖尿病數據"],["2024/04/26","2","4","3","董一志","第25 章　 決策樹 – 葡萄酒/鐵達尼號/Telco/Retail","第26 章　 隨機森林樹 – 波士頓房價/鐵達尼號/Telco/收入分析","25-1 決策樹基本觀念  25-2 從天氣數據認識決策樹設計流程 - 分類應用  25-3 葡萄酒數據 - 分類應用  25-4 鐵達尼號- 分類應用  25-5 Telco 電信公司- 分類應用  25-6 Retail Data Analytics - 迴歸應用","26-1 隨機森林樹基本觀念  26-2 波士頓房價 - 迴歸應用  26-3 鐵達尼號 – 分類應用  26-4 Telco 客戶流失 – 分類應用  26-5 美國成年人收入分析 – 分類應用"],["2024/05/03","2","4","3","董一志","第27 章　 KNN 演算法 – 鳶尾花/小行星撞地球","第28 章　 支援向量機 – 鳶尾花/乳癌/汽車燃料","27-1 KNN 演算法基礎觀念  27-2 電影推薦/ 足球射門 - 分類應用  27-3 房價計算/ 選舉準備香腸 – 迴歸應用  27-4 鳶尾花數據 - 分類應用  27-5 小行星撞地球 – 分類應用","28-1 支援向量機的基礎觀念  28-2 支援向量機 - 分類應用的基礎實例  28-3 從2 維到3 維的超平面  28-4 認識核函數  28-5 鳶尾花數據 - 分類應用  28-6 乳癌數據 - 分類應用  28-7 支援向量機 – 迴歸應用的基礎實例  28-8 汽車燃耗效率數據集 - 迴歸分析"],["2024/05/10","2","4","3","董一志","第29 章　 單純貝式分類 – 垃圾郵件/新聞分類/電影評論","第30 章　 集成機器學習 – 蘑菇/ 醫療保險/玻璃/加州房價","29-1 單純貝式分類原理  29-2 詞頻向量模組CountVerctorizer  29-3 多項式單純貝式模組 - MultinomialNB  29-4 垃圾郵件分類 – Spambase 數據集  29-5 新聞郵件分類 – 新聞數據集20newsgroups  29-6 情感分析 – 電影評論IMDB Dataset 分析  29-7 單純貝式分類於中文的應用  29-8 今日頭條數據集","30-1 集成學習的基本觀念  30-2 集成學習 - 投票法Voting (鳶尾花/波士頓房價)  30-3 集成學習 - 裝袋法Bagging (蘑菇/醫療保險)  30-4 集成學習 - 提升法AdaBoost(糖尿病/波士頓房價)  30-5 集成學習 - 提升法Gradient Boosting(玻璃/加州房價)  30-6 集成學習 – 堆疊法Stacking(信用卡違約/房價預估)"],["2024/05/17","2","4","3","董一志","第31 章　 K-means 分群 – 購物中心消費/葡萄酒評價","第32 章　 PCA 主成份分析 – 手寫數字/人臉數據","31-1 認識無監督學習  31-2 K-means 演算法  31-3 scikit-learn 的KMeans 模組  31-4 評估分群的效能  31-5 最佳群集數量  31-6 消費分析 - 購物中心客戶消費數據  31-7 價格 vs 評價 - 葡萄酒Wine Reviews","32-1 PCA 基本觀念  32-2 鳶尾花數據的PCA 應用  32-3 數字辨識 - 手寫數字digits dataset  32-4 人臉辨識 – 人臉數據Labeled Faces in the Wild"],["2024/05/24","2","4","3","董一志","第33 章　階層式分層 – 小麥數據/老實泉","第34 章　 DBSCAN 演算法 – 購物中心客戶分析","33-1 認識階層式分群  33-2 凝聚型(Agglomerative) 分群  33-3 小麥數據集Seeds dataset  33-4 老實泉數據Old Faithful Geyser Data","34-1 DBSCAN 演算法  34-2 scikit-learn 的DBSCAN 模組  34-3 消費分析 - 購物中心客戶消費數據"],["2024/05/31","2","4","3","董一志","第35 章　語音辨識","第35 章　語音辨識","35-1 語音轉文字","35-2 文字轉語音"]]}