一一二學年度第一學期
國立政治大學 資訊科學系
703901001/753934001: 機器學習概論 (Introduction to Machine Learning)

(以下課程資料僅供參考,任課教師保留其權力,於課程進行過程中,合理地修改課程設計。)
(上次重大修改時間:2023年7月27日)

  1. 上課時間:星期一下午一點到四點

  2. 教室:大仁樓200301

  3. 教師:劉昭麟

    Email Office Phone Office Hours
    chaolin at g dot nccu dot edu tw 大仁樓 200310 67511 星期四下午十二到兩點或另約

    如果在上課時間之外有問題,你可以利用office hours來找我,或者利用email跟我聯絡。雖然任課老師在以上office hours大部份會在辦公室,但是有可能有臨時的系務會議或者其他會議,可能使得任課老師不能全程留在辦公室。 因此,有意前來同學盡量事先預約。如果沒有事先預約而須找我,請先打電話確認,以免任課老師因為臨時的會議不在辦公室。 寫電子郵件給我時,別忘了在Subject欄註明科目名稱[ML23],否則信件可能會被我忽略。 如果你的問題容易回答,我會直接用email回答。 如果問題複雜,我會在email上大略回答,並在課堂上詳細回答。

  4. 重要公告

  5. 課程簡介

    這一課程以介紹機器學習與深度學習的基本觀念和相關應用為目的。機器學習是人工智慧領域的重要區塊,近年以來因為計算技術的急速進步,許多過去的理論已經變成實用的技術。這一課程透過介紹許多基本的概念,期望讓選課同學了解機器學習技術的基礎觀念,並且進一步學習如何應用公開軟體來處理實際問題。這一課程將介紹機器學習的數個基本型態,包含監督式學習、非監督式學習、迴歸分析、及以類神經網路為基礎的深度學習。

    課程中以講解基礎學理為主,同時伴隨程式實例的簡介。在幾乎每一個星期都有的 Moodle 作業中經常會使用到以Python為主的程式實例,期待大家都能兼顧學理與實例。

    雖然我們會帶到一些關鍵的Python指令或者套件,但是這不是一門學習 Python 的課程。Python是選修這一門課程的先備能力。體驗機器學習的核心功能,而不建構整個應用系統的話,並不需要學會所有的Python指令。當然如果能隨心所欲應用Python是最好的。

    如果以 Kaggle 公開課程做為參考比較的話,在假設同學不需要太多 Python、PandasNumpy/Scipy 的協助的前提之下,我們的課程計劃可以包含 Intro to Machine LearningIntermediate Machine Learning 之外,還會接軌到深度學習入門 Intro to Deep Learning 的材料。2023學年可能繼續參考 Kaggle 的入門課程,也可能在開學之後更換對應目標;確定會有實作方向的對應目標。

  6. 課本及參考資料

    課本

    參考書

    應用軟體和資料庫

  7. 先修課程

    程式設計、Python線性代數機率統計沒有修過這些科目的類似課程將影響上課內容的接受度

  8. 線上課程討論版與電子郵件

    所有課程相關之最新消息會公告在政大Moodle網站的機器學習概論課程版,所有修課同學請密切注意相關通告。課程版上之公告與課堂上之公告有相同之效力。此外,任課老師也會透過 Moodle 所寄發測試的電子郵件與修課同學保持聯繫,在開學之初,任課老師會寄發測試的郵件。如果你從來沒有收到相關郵件,請你務必與任課老師聯繫。

  9. 成績計算

    成績計算之項目與權重:課堂上參與討論、點名與問答 (5%)、Moodle 作業(20%);期末程式作業(25%);期中考試(25%);期末考試(25%)

  10. 預計進度:政治大學本學期行事曆

    以下所列進度,會依實際進度而有所調整。進度表也會反映實際進度。所列章節數目均是課本的內容, 我們用M代表Mitchell書中的章節,W代表Witten書中的章節,R代表Russell書中的章節,A代表Alpaydin書中的章節,G代表Goodfellow書中的章節。

    日期 週次 課程主題 課程內容與指定閱讀 輔助參考章節 教學活動與作業 學習投入時數
    (含課堂及課程前後)
    備用欄位
    9月 11日 W1 Introduction, Input, and Output W1, W2, W3 A1 Moodle 3小時/3小時 調查程式設計能力
    18 W2 Input, Output, Linear Regression, Python, & Tools W2, W3, W4.6 G2, Python, scikit learn, Weka Moodle 3小時/3小時
    ------
    25日 W3 From Logistic Regression to Classification W4 (4.1-4.4) 課堂參考資料 Moodle 3小時/3小時
    ------
    10月 2日 W4 DT, kNN, and Naive Bayes W4 (4.6, 4.7), W6, W7 M3, M8, R18, 課堂參考資料 Moodle 3小時/3小時
    ------
    9日 W5 學校放假 視為彈性上課時間
    ------
    ------
    ------
    ------
    16日 W6 Evaluation W5 M5, 課堂參考資料 Moodle 3小時/3小時
    ------
    23日 W7 Data Transformations W8 A6, 課堂參考資料 Moodle 3小時/3小時
    ------
    30日 W8 Artificial Neural Networks W10.1 G6, A11, 課堂參考資料 Moodle 3小時/3小時
    ------
    11月 6日 W9 期中考試
    ------
    ------
    ------
    ------
    ------
    13日 W10 Reviews & Artificial Neural Networks W10.1 G6, A11, 課堂參考資料 Moodle 3小時/3小時
    ------
    20日 W11 Deep Learning Topics W10 (TBD) M4, 課堂參考資料 Moodle 3小時/3小時
    ------
    27日 W12 NLP, LM, LLM, and ChatGPT 課堂參考資料 課堂參考資料 Moodle 3小時/3小時
    ------
    12月 4日 W13 Clustering W4.8 A7, 課堂參考資料 Moodle 3小時/3小時
    ------
    11日 W14 Probabilistic Methods W9 A14, A15, 課堂參考資料 Moodle 3小時/3小時
    ------
    18日 W15 Ensemble Learning W12 A18, 課堂參考資料 Moodle 3小時/3小時
    ------
    25日 W16 程式作業驗收與面談
    ------
    ------
    ------
    ------
    ------
    1月 1日 W17 學校放假 視為彈性上課時間
    ------
    ------
    ------
    ------
    8日 W18 期末考試
    ------
    ------
    ------
    ------
    ------

Last Minor Updated: