流水號
38322
課號
Data5009
課程識別碼
946 U0090
無分班
- 3 學分
必修
資料科學碩士學位學程
資料科學碩士學位學程
必修- 潘建興
- 搜尋教師開設的課程
電機資訊學院 資料科學博士學位學程
密集課程
第 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 週
- 三 2, 3, 4, 5
新201
1 類
修課總人數 40 人
本校 40 人
無領域專長
- NTU COOL
- 核心能力與課程規劃關聯圖
- 備註
密集課程。停修截止日:11/22(五)。
- 修課限制
限碩士班以上
本校選課狀況
已選上0/40外系已選上0/0剩餘名額0已登記0- 課程概述
Part I: Linear Algebraic Techniques
第四週 (09/25) Matrix Decomposition and Eigenvalue Problems
第五週 (10/02) Principal Component Analysis and Independent Component Analysis
第六週 (10/09) Singular Value Decomposition and Low-Rank Tensor Recovery
Part II: Basic Optimization Techniques
第七週 (10/16) Linear Programming and Single-State Methods
第八週 (10/23) Gradient Methods and Methods of Local Search
第九週 (10/30) Simulated Annealing and Genetic Algorithms
第十週 (11/06) Particle Swarm Optimization and Ant Colony Optimization
Part III: Statistical Computing Techniques
第十一週 (11/13) Final Project Discussion
第十二週 (11/20) Monte Carlo Methods
第十三週 (11/27) Sampling Methods
第十四週 (12/04) Metropolis-Hastings Algorithm and Gibbs Sampling
第十五週 (12/11) EM Algorithms and Methods of Bootstrapping
第十六週 (12/18) Final Project Due - 課程目標
本課程的主要目標有三:
- 從最基礎的傳統方法到最先進的新方法教導學生統計計算和最佳代演算法的方法和理論.
- 透過結合課程的基本知識和網路搜尋的資料, 培養學生能夠自行學習全新未知的統計計算和最佳化演算法的能力.
- 透過了解各演算法的優劣, 培養學生能夠自行改良現有方法的能力.
- 課程要求
本課程需要學生有基本的編程能力(C++, JAVA, R, Python, Matlab任何一種語言都可以)和大學程度的基礎數學和基礎統計知識. 相關內容將於09/18或之前於課程專頁中的Lecture 00詳述.
- 預期每週課前或/與課後學習時數
- Office Hour
- 指定閱讀
- 參考書目
教科書: 無,教師自行撰寫和在網上提供學生閱讀.
參考書目: 無 - 評量方式
12% Attendance
出席一堂課能得到1分, 一共12堂課. 如有特殊情況可事先和教授或TA請假.
48% Homework
本課程共有三份功課, 分別於10/09, 11/06和12/04於網上發報, 並於一周後繳交. 每份功課最高能得到16分.
40% Final Project
本課程的期未考是以Project的形式進行, 題目將於11/06於網上發報, 並於12/18前繳交, 最高能得到40分.
- 本校建議 A+ 比例上限為 20% ,非強制規定, 授課教師可依課程要求調整,建議必修課程參考。
- 本校採用等第制評定成績,學生成績評量辦法中的百分制分數區間與單科成績對照表僅供參考,授課教師可依等第定義調整分數區間。詳見 學習評量專區。
- 針對學生困難提供學生調整方式
調整方式 說明 D1 由師生雙方議定
Negotiated by both teachers and students
- 補課資訊
- 課程進度
- 為確保您我的權利,請尊重智慧財產權及不得非法影印。