電信所, 電機所, 資料科學學程 與林宗男、李宏毅合授 智慧醫療學程 智慧醫療學程電資學院所屬「數據」領域。與林宗男、李宏毅合授

人工智慧正以銳不可擋知勢重塑全球的產業發展，可望為半導體、資通訊技術等我國具優勢之強項，及物聯網系統與安全、無人戴具、擴增實境等未來趨勢創造更多創新價值。本課程之宗旨即為培育大學生具備在人工智慧進一步探索、開發、與創新的能力。藉由系統性介紹機器學習各相關基礎理論、方法和工具，同學可對機器學習的演算法與數學原理，有更系統性的認識，並具備實作這些技術的基本能力，以期在未來能將這些技術活用到各自的專業領域中。 課程內容:(參考用，將視實際情況適當增減) 1. Regression; Bias and Variance Errors 2. Classification; Logistic Regression 3. Dimensionality Reduction: Principal Component Analysis; Neighbor Embedding; Auto-Encoder 4. Semi-Supervised Learning 5. Neural Network Introduction: Gradient Decent; Back Propagation 6. Convolution/Recurrent Neural Network 7. Reinforcement Learning and Markov Decision Process 8. Ensemble: Bagging and Boosting 9. Transfer Learning 10. Support Vector Machine; Convex optimization and Duality 11. Expectation Maximization, Gaussian Mixture Model, Variational Auto Encoder 12. Generalization Error: Rademacher complexity and VC dimension 加選訊息：本課程為二類授權碼加選，欲加選之同學請屆時來現場加簽。

● 引導學生對各機器學習、深度學習相關領域之問題與技術工具有概略性的認知。 ● 引導學生具備機器學習之演算法設計與實作能力。 ● 引導學生了解機器學習演算法背後的數學理論，並具備分析能力。

● Prerequisit (沒學過的話，修本課程將頗為痛苦)：微積分、線性代數、機率與統計、程式設計(Python, Java, C++等物件導向程式語言) ● Optional (有學過的話很好，沒學過也沒關係反正上課老師會教)：凸函數最佳化、分析導論 理論上，電機系大三以上的學生即具備修習本課程所需的基本能力(prerequisit)。 本課程涵蓋深度學習相關內容，同學可透過以下三種方式取得運算資源： ● 使用開源服務 (如Google Colab)。 ● 敗下去，自己的GPU自己買(玩)。 ● 有需要的話，本課程可統一向國網中心/校計中爭取申請雲端GPU給需要的同學使用。

1. Introduction to Machine Learning, Ethem Alpaydin, 2009, MIT Press 2. Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006, Springer 3. Foundations of Machine Learning, M. Mohri, A. Rostamizadeh, and A. Talwalkar, MIT Press