1. No:0012
授課大綱
課程名稱：機器學習 Machine Learning 開課單位：資訊工程系所 上課班級：研究所一年級 (下)
授課教師：徐超明 學分數：3 □必修 ■選修
先修科目：線性代數、機率與統計、程式設計 上課時數：3
一、教學目標：
機器學習是一個重要日益且受重視的研究領域，機器學習是研究如何讓電腦具有學習的能力，並從以往的經驗、
資料中學習到知識，以增進電腦本身的效能。在近幾年機器學習已有許多成功的應用，且所發展的方法已被應用
於消費者或網路行為分析，聲音或影像識別，乃至於生物資訊等新興產業。本課程則是機器學習的導論課程，主
要目的在介紹機器學習的基本概念、各種技術及演算法，並介紹機器學習的一些應用。
教育目標 核心能力
●精進學生專業知識與應用 ●1.1 具備資訊相關之基本專業知識
之能力 ●1.2 具備資訊相關之進階專業知識及應用發展
●培養學生資訊領域研究與 ●2.1 資訊相關知識之彙整研究以及創新思考的能力
創新能力 ●2.2 具備發掘、分析問題之能力，並能規劃及執行專題研究
◎建立學生國際觀與學習成長 ●3.1 具備溝通及研討之能力，並能探尋與研究資訊相關之新技術
之能力 ◎3.2 培養國際觀以及領導管理與整合能力
圖示說明: ● 高度相關 ◎ 部分相關 ○ 不相關

2. 學習成果 (核心能力細項)
1.1.1 畢業生應具備資訊領域基本專業知識。
1.2.1 畢業生應具備從事研究所需之資訊進階專業知識，並能發展其相關的應用。
2.1.1 畢業生應具有資訊系統創新設計之能力。
2.1.2 畢業生應具備資訊相關知識之整理、分析、比較及評量之能力。
2.1.3 畢業生應具備撰寫資訊領域學術論文之能力。
2.2.1 畢業生應具有發掘與組織問題之能力。
2.2.2 畢業生應具有程式設計及軟體系統開發之能力。
2.2.3 畢業生應具有規畫及執行資訊領域專題研究計畫之能力。
3.1.1 畢業生應具有演說陳述專業學術論文之能力。
3.1.2 畢業生應具有與國內外資訊專業領域人士溝通、研討之能力。
3.1.3 畢業生應具有探尋資訊相關新技術之能力，並能自我學習與研究，以持續成長與進步。
3.2.1 畢業生應具備國際觀，瞭解資訊產業之國際情勢與發展。
3.2.2 畢業生應培養領導管理能力，並能與不同領域人員整合研究。
二、教學方式與成績評量：
1. 教學方式：課堂授課、作業、小專題程式作業、期末專案。
2. 成績評量: 作業與小專題：30%，期中報告：25%，期末報告：30%，期末報告專案實現: 15%
2
教學要點概述 ：
1. 本課程進行擇定一本教科書以投影片教授為主，將介紹各項機器學習主題與評論，學生修習本課程之每一
章節後，利用課後問題做 Homework，並利用電腦程式設計各項機器學習之演算法與實務應用。
2. 學生進行 Problem-Based Learning，也就是每位學生擇定自己所感興趣之機器學習主題與應用方向，尋
找期刊中相關論文，進行研讀，並於期中考交一份初步報告（書面與口頭），說明主題、文獻探討、機器學
習方法架構、方法評論與可能更改方向。期末報告則需在期末考前兩週開始進行該機器學習主題主題之期末
深入探討與報告以及更改後之方法與驗證，期末報告專案實現則需利用程式進行該主題之實現。
三、教學內容及進度：

3. 課程綱要 對應核心能力 實施方式
單元主題 內容綱要 1. 1. 2. 2. 3. 3. A B C D
1 2 1 2 1 2

Introduction 1. Introduction to Machine Learning ● ◎ ◎ ◎ ● ○

2. Classification Problem in ML ● ◎ ◎ ◎ ◎ ○
Supervised Learning 3. Classification of Learning ● ● ● ● ● ○
4. Introduction to Supervised Learning ● ● ● ● ◎ ○
 
5. Learning from example ● ◎ ● ● ◎ ○
 
6. Regression ● ◎ ● ● ◎ ○
 
Bayesian Decision 7. Probability and Inference ● ● ◎ ◎ ◎ ○
Theory 
8. Bayes’ Rule ● ● ● ● ◎ ○

9. Losses and Risk ● ● ● ● ◎ ○
 
10. Bayesian Network ● ● ● ● ◎ ○

Reinforcement Learning 11. Elements of Reinforcement Learning ● ○ ● ● ◎ ○

12. Policy and accumulated reward ● ○ ● ● ◎ ○
13. Model-based learning ● ● ● ● ◎ ○
 
14. Time Difference Learning ● ◎ ● ● ◎ ○
 
15. Q-learning ● ● ● ● ◎ ○

Clustering 16. Semiparametric Density Estimation ● ● ● ● ◎ ○
 
17. K-mean Clustering ● ◎ ● ● ◎ ○

Linear Discrimination 18. Discriminant-based Classification ● ● ● ● ◎ ○

19. Logistic Discrimination ● ● ● ● ◎ ○

Final Report 20. Final Reporting ● ● ● ● ● ○
填表說明:
1.學生核心能力: 1-8 請對應教學目標之”核心能力”1-8 填寫之。
2.實施方式請勾選 A:講授 B:示範 C:習作 D:其他 (至少勾選一個,可多重選)

4. 1
四、參考書目 ：
教科書：
Introduction to Machine Learning, Ethem ALPAYDIN. The MIT Press, October 2004, ISBN 0-262-01211-1 代
理商：開發圖書有限公司。
參考書：
1. Machine Learning. By Tom M. Mitchell. McGraw-Hill, 1997. ISBN 0-07-042807-7.
2. Data Mining: Practical Machine Learning Tools and Techniques (2nd Ed), By Ian H. Witten and Eibe Frank.
Morgan Kaufmann, June 2005, 525 pages, ISBN 0-12-088407-0.
註： 1. 教科書請註明書名、作者、出版社、出版年等資訊。
2. 教學要點概述請填寫教材編選、教學方法、評量方法、教學資源、教學相關配合事項等。
3. 學系所有開設之課程皆須填寫此表格或提供原有格式之課程綱要表。若能蒐集校際所開設課程，如
共同必修科目、通識課程等之課程綱要表，亦可提供。