上課時間：星期一下午一點到四點

教室：大仁樓２００１０１

教師：劉昭麟

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[ML24]，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。

重要公告

• 本課程是資訊科學系的課程，假設修課同學有基本的資訊技術基礎，從介紹機器學習基本觀念開始，以連接深度學習的起點為重點，同時兼顧機器學習之全面。在這樣的課程中，我們無法為沒有相當基礎的同學回顧所有必要基礎，沒有相關資訊專業、程式設計、數學觀念的同學建議選修其他基礎課程。如果同學已經選修過「人工智慧概論」將有很大的幫助。
• 修課同學如果有聽障、視障或其他須要特殊協助的情形，請告知任課老師。
• 2024年的學期依照學校113學年16+2週課程規畫規則。
• ChatGPT 與各種大型語言(視覺、多模態)模型是近幾年人工智慧與機器學習領域的重大發展，也有很大的影響，是「機器學習概論」課程所不能視而不見的議題。但是這一領域變化的速度也超乎所有人的想像。機器學習概論課程必然不能不討論，但是機器學習概論課程的任務是要建構機器學習的基礎能力；因此我們將在只能課程進行中，搭配當時科技發展的狀況與同學學習的情形，觸及適當的大型人工智慧模型(fundation models)的課題；進階課程的學習當有更適當的課程。

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、Pandas 和 Numpy/Scipy 的協助的前提之下，我們的課程計劃可以包含 Intro to Machine Learning 和 Intermediate Machine Learning 之外，還會接軌到深度學習入門 Intro to Deep Learning 的材料。2024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。

課本及參考資料

課本

• 以下提供適合大部分同學的基礎課本，也提供比較量化觀點的專書；上課時大部分時間會是自行整理過的投影片
• Ian H. Witten, Eibe Frank, Mark A. Hall, and Christopher J. Pal. Data Mining : Practical Machine Learning Tools and Techniques. fourth edition, Morgan Kaufmann, 2017.（新月代理） (政大圖書館有第一版(索書號006.3 W829)、第二版(索書號006.3 W829 2005)、第三版(索書號006.3 W829 2011)與第四版(索書號006.3 W829 2017)。
• Ethem Alpaydin, Introduction to Machine Learning, fourth edition, The MIT Press, 2020. (開發代理，政大圖書館：第一版 (索書號: 006.31 A456)、第二版 (索書號: 006.31 A456 2010)、第三版(索書號: 006.31 A456 2014)、第四版(索書號: 006.31 A456 2020))
• Tom M. Mitchell. Machine Learning. McGraw-Hill, 1997. (政大圖書館索書號006.31 M682)
• Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
• Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach, fourth edition, Prentice Hall, 2020. （政大圖書館有第一版(索書號006.3 R967-1)、第二版(索書號 006.3 R967-1 2003)、第三版 (索書號006.3 R967-1 2010)與第四版 (索書號006.3 R967-1 2021)）

參考書

• 將適時補充其他新的材料
• 如果是要學習基礎觀念，一些比較早期的書本或許寫得比較容易懂
• Yaser S. Abu-Mostafa, Malik Magdon-Ismail, and Hsuan-Tien Lin (林軒田). Learning from Data, AMLbook, 2012.
• Jiawei Han, Micheline Kamber, and Jian Pei. Data Mining: Concepts and Techniques, third edition. Morgan Kaufamnn, 2011. (政大圖書館：第三版、第二版、第一版)
• Pang-Ning Tan, Michael Steinbach, and Vipin Kumar. Introduction to Data Mining. Addison-Wesley, 2006. (政大圖書館索書號006.312 T161)
• Pat Langley. Elements of Machine Learning. Morgan Kaufmann, 1995. （台大圖書館索書號Q325.5 L36z 1996）
• George F. Luger, Artificial Intelligence: Structures and Strategies for Complex Problem Solving, sixth edition, Addison Wesley, 2008. （新月代理） （政大圖書館有第四版 (2002)、第二版） （第一到第三版之共同作者：William A. Stubblefield）

競賽、軟體支援和資料庫等

• 競賽
  • AI Cup
  • kaggle
• 軟體支援
  • Hugging Face
  • Keras
  • Python
  • PyTorch
  • scikit learn
  • TensorFlow
  • Weka 3, supported by Witten and Frank (有GUI、可透過JAVA自行操作)
• 有歷史的資料庫：UCI KDD Archive

先修課程

線上課程討論版與電子郵件

成績計算

預計進度：政治大學本學期行事曆