資訊工程學系

教學目標
提供學生在校外相關機構實務研習之機會，銜接學校課程與產業實務，以便了解業界需求與職場生活，提升學習動力。

授課形式
理論講述與討論-0.00%;個案分析或作品賞析-0.00%;專題實作與報告-0.00%;田野調查-0.00%;實驗-0.00%;其他:實務研習-100.00%

課程內容與進度
1. 依合作廠商及本系雙方制定之實習內容擬定進度。
2. 定期口頭報告及繳交書面報告。

教科書/參考書
由實習機構及本系雙方安排。

評分標準
1. 業界實習機構主管成績考核佔該科成績之50%。
2. 校內實習指導教師依學生實習報告考核，佔該科成績之50%。

學分數
8

授課時數(周)
3

開課班級
A10955

修課人數
1

教學目標
教導學生資訊檢索、搜尋引擎之理論模型、技術，以及實作方法。

授課形式
理論講述與討論-60.00%;個案分析或作品賞析-0.00%;專題實作與報告-20.00%;田野調查-0.00%;實驗-20.00%;其他-0.00%

課程內容與進度
Unit 1. Boolean retrieval
Unit 2. Scoring, term weighting & the vector space model
Unit 3. Computing scores in a complete search system
Unit 4. Probabilistic information retrieval
Unit 5. Language models for information retrieval
Unit 6. Text classification
Unit 7. Matrix decompositions & latent semantic indexing
Unit 8. Recommendation Systems
Unit 9. Web search basics
Unit 10. Web crawling and indexes
Unit 11. Link analysis
Unit 12. Advanced Search Engine: Introduction to ChatGPT, Copilot

教科書/參考書
1. Introduction to Information Retrieval, by C. Manning, P. Raghavan, and H. Schütze. Cambridge University Press, 2008.
2. 自訂教材

評分標準
1. Homework/quiz: 30%
2. Midterm exam/project: 35%
3. Final exam/project: 35%
4. Show-Up: -10%~10%

學分數
3

授課時數(周)
3

開課班級
L11155

修課人數
23

教學目標
本課程讓學生瞭解工業物聯網以及深度學習時空間資料探勘之類神經網路相關的技術，並採用Python、Tensorflow、Keras或Julia程式設計工具，訓練學生透過工業物聯網搜集工廠機台的數據並導入類神經網路模型做為智慧型系統以解決各類問題。另將深度學習和許多典型的方法對特定的主題尋求解決的結果做比較，進一步探討各種方法在效能、效率之間的差異。本課程是總結性課程(Capstone)強調問題導向學習(PBL)的訓練方式，所以引入智慧製造、智慧醫療、智慧生活等實作範例啟發學生了解實務應用，並指導學生組隊進行課程專題製作並在期末舉行公開發表，以深化學生具備智慧型系統應用能力的養成。

授課形式
理論講述與討論-78.00%;個案分析或作品賞析-0.00%;專題實作與報告-0.00%;田野調查-0.00%;實驗-22.00%;其他-0.00%

課程內容與進度
1 深度學習之基礎介紹和智慧影像分析與應用之基礎介紹 2 NN單元一：常見深度學習模型介紹 3 NN單元二：CNN深度學習模型介紹 4 NN單元三：進階深度學習模型介紹 5 NN單元四：進階深度學習模型介紹 6 業師演講：待定 7 人工智慧視覺感知運算系統模組 8 人工智慧視覺感知運算系統模組 9 期中報告 10 業師演講 11 人工智慧視覺感知運算系統模組 12 人工智慧視覺感知運算系統模組 13 業師演講 14 深度學習於智慧汽車應用 15 深度學習於智慧汽車應用 16 深度學習於智慧汽車應用 17 深度學習於智慧汽車應用 18 期末課程專題舉行公開發表

教科書/參考書
Textbook: 機器學習：類神經網路、模糊系統以及基因演算法則(修訂二版) Author: 蘇木春、張孝德著 Publishing Company: 全華圖書

評分標準
平常考 30% 期中考　 35% 期末考　 35% 課堂參與 -10%~+10%

學分數
3

授課時數(周)
3

開課班級
L11155

修課人數
15

教學目標
1.複習基本演算法設計與分析的技巧
2. 了解演算法目前研究的最新動態
3. 探討各種演算法的實際應用


授課形式
理論講述與討論-60.00%;個案分析或作品賞析-0.00%;專題實作與報告-40.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
第1週 Introduction to algorithms
第2-6週 The complexity of algorithms
第7-10週 NP-complete problem 
第11週 期中考
第12週 論文研究方式
第13週 Fermat最後定理
第14-15週 greedy method, divide-and-conquer algorithms, dynamic programming strategy
第16-17週 分組報告
第18週 口試

教科書/參考書
S. Dasgupta, C. Papadimitriou, U. Vazirani: Algorithms, 2007, 開發 T. H. Cormen , C. E. Leiserson, R. L. Rivest and C. Stein: Introdution to Algorithms,Graw-Hill Book Company 2001, 開發

評分標準
報告 35% 期中考 45% 作業與平時 20%

學分數
3

授課時數(周)
3

開課班級
L11155

修課人數
24

教學目標
和研究生討論研究方向與研究議題

授課形式
理論講述與討論-0.00%;個案分析或作品賞析-0.00%;專題實作與報告-100.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
paper and research discussion

教科書/參考書


評分標準
依據成果給予評分

學分數
2

授課時數(周)
2

開課班級
L11155

修課人數
10

教學目標
The goal of this course is to expose students to the latest research in the field of computer science and information engineering, including intelligent systems, embedded systems, networks and multimedia.

授課形式
理論講述與討論-50.00%;個案分析或作品賞析-0.00%;專題實作與報告-50.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
paper and research discussion

教科書/參考書
research papers from conferences and journals

評分標準
reports: 100%

學分數
2

授課時數(周)
2

開課班級
L11255

修課人數
10

教學目標
本課程讓學生瞭解Python程式設計入門、Python進階資料分析、Python機器學習應用及大數據平台實作及實例應用。本課程是總結性課程(Capstone)採用MOOCs教材進行翻轉教室教學並強調問題導向學習(PBL)的訓練方式，所以引入智慧製造、智慧醫療、智慧生活等實作範例啟發學生了解實務應用，並指導學生組隊進行課程專題製作並在期末舉行公開發表，以深化學生具備大數據大數據分析應用能力的養成。

授課形式
理論講述與討論-78.00%;個案分析或作品賞析-0.00%;專題實作與報告-0.00%;田野調查-0.00%;實驗-22.00%;其他-0.00%

課程內容與進度
1 Python安裝簡介與基礎語法和變數型態 2 Python資料結構及流程語法 3 國慶日補假 4 Python套件Numpy與Pandas 5 Python套件Matplotlib 6 資料聚合及異常值分析 7 相關性分析及假設檢定 8 購物籃分析及時間序列簡介 9 期末專題題目構想報告 10 Scikit-learn簡介與線性回歸預測 11 邏輯回歸分類及支持向量機分類 12 決策樹與隨機森林及KNN分類 13 Kmeans分類與主成分分析降維 14 業師授課 15 Hadoop簡介與安裝 16 Spark安裝與操作 17 使用PySpark進行線性與邏輯回歸 18 専題製作成果公開展示

教科書/參考書
Textbook: 機器學習：類神經網路、模糊系統以及基因演算法則(修訂二版) Author: 蘇木春、張孝德著 Publishing Company: 全華圖書

評分標準
平常考 30% 期中考　 35% 期末考　 35% 課堂參與 -10%~+10%

學分數
3

授課時數(周)
3

開課班級
A10955

修課人數
56

教學目標
和研究生討論研究方向與研究議題

授課形式
理論講述與討論-0.00%;個案分析或作品賞析-0.00%;專題實作與報告-100.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
paper and research discussion

教科書/參考書


評分標準
依據成果給予評分

學分數
3

授課時數(周)
3

開課班級
M11155

修課人數
19

教學目標
和研究生討論研究方向與研究議題

授課形式
理論講述與討論-70.00%;個案分析或作品賞析-0.00%;專題實作與報告-30.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
paper and research discussion

教科書/參考書


評分標準
依據成果給予評分

學分數
3

授課時數(周)
3

開課班級
A10955

修課人數
17

教學目標
本課程讓學生瞭解工業物聯網以及深度學習時空間資料探勘之類神經網路相關的技術，並採用Python、Tensorflow、Keras或Julia程式設計工具，訓練學生透過工業物聯網搜集工廠機台的數據並導入類神經網路模型做為智慧型系統以解決各類問題。另將深度學習和許多典型的方法對特定的主題尋求解決的結果做比較，進一步探討各種方法在效能、效率之間的差異。本課程是總結性課程(Capstone)強調問題導向學習(PBL)的訓練方式，所以引入智慧製造、智慧醫療、智慧生活等實作範例啟發學生了解實務應用，並指導學生組隊進行課程專題製作並在期末舉行公開發表，以深化學生具備智慧型系統應用能力的養成。

授課形式
理論講述與討論-78.00%;個案分析或作品賞析-0.00%;專題實作與報告-0.00%;田野調查-0.00%;實驗-22.00%;其他-0.00%

課程內容與進度
1 深度學習之基礎介紹和智慧影像分析與應用之基礎介紹 2 NN單元一：常見深度學習模型介紹 3 NN單元二：CNN深度學習模型介紹 4 NN單元三：進階深度學習模型介紹 5 NN單元四：進階深度學習模型介紹 6 業師演講：待定 7 人工智慧視覺感知運算系統模組 8 人工智慧視覺感知運算系統模組 9 期中報告 10 業師演講 11 人工智慧視覺感知運算系統模組 12 人工智慧視覺感知運算系統模組 13 業師演講 14 深度學習於智慧汽車應用 15 深度學習於智慧汽車應用 16 深度學習於智慧汽車應用 17 深度學習於智慧汽車應用 18 期末課程專題舉行公開發表

教科書/參考書
Textbook: 機器學習：類神經網路、模糊系統以及基因演算法則(修訂二版) Author: 蘇木春、張孝德著 Publishing Company: 全華圖書

評分標準
平常考 30% 期中考　 35% 期末考　 35% 課堂參與 -10%~+10%

學分數
3

授課時數(周)
3

開課班級
M11155

修課人數
40

教學目標
瞭解如何利用量子電腦的特性，設計適合的演算法，包含Grover 量子演算法和Shor量子演算法，來解決計算上的問題。

授課形式
理論講述與討論-90.00%;個案分析或作品賞析-0.00%;專題實作與報告-10.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
1-3週 Basics- Turing Machines, Quantum Physics in Brief and Quantum Gates 4-7週 Simple Quantum Algorithms- Deutsch's Problem and Simon's Problems 8-9週 QFT 10週 期中考 11-12週 Integer Factorization- Shor's Algorithm 13週 Quantum Search- Grover's Algorithm 14週 Quantum counting 15-16週 Hidden subgroup problem 17週 期末考 18週 口試

教科書/參考書
1.Quantum Computation and Quantum Information, by Michael A. Nielsen and Isaac L. Chuang, Cambridge Univ. Press (2010);

評分標準
期中考 35% 平時作業25% 期末考 40% (其中口試5%)

學分數
3

授課時數(周)
3

開課班級
A10955

修課人數
28

教學目標
The goal of this course is to expose students to the latest research in the field of computer science and information engineering, including intelligent systems, embedded systems, networks and multimedia.

授課形式
理論講述與討論-50.00%;個案分析或作品賞析-0.00%;專題實作與報告-50.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
paper and research discussion

教科書/參考書
research papers from conferences and journals

評分標準
reports: 100%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
23

教學目標
1.增廣學生的研究興趣及知識
2.訓練學生如何做好研究
3.學習著名學者的研究技巧及風範

授課形式
理論講述與討論-50.00%;個案分析或作品賞析-30.00%;專題實作與報告-20.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
1.第一周授課
2.邀請著名學者演講 3.學生報告自己的論文想法

教科書/參考書
學者演講投影片

評分標準
1. 出席(50%)
2. 心得報告內容(40%)
3. 隨堂討論(10%)

學分數
1

授課時數(周)
2

開課班級
M11155

修課人數
19

教學目標
1.瞭解最新的科技趨勢 2.充實實務知識 3.強化研究技巧 4.增加英文閱讀語寫作能力

授課形式
理論講述與討論-50.00%;個案分析或作品賞析-30.00%;專題實作與報告-20.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
1.第一周授課 2.其餘邀請著名學者演講

教科書/參考書
者演講投影片

評分標準
1.出席(50%) 2.心得報告內容(50%)

學分數
1

授課時數(周)
2

開課班級
M11255

修課人數
24

教學目標
本課程將介紹文字及語音相關的處理與辨識技術，讓學生可以利用整合機器學習與軟式計算的方法進行文字與語音處理與分析，以實現可能之文字語音互動。

授課形式
理論講述與討論-40.00%;個案分析或作品賞析-0.00%;專題實作與報告-10.00%;田野調查-0.00%;實驗-50.00%;其他-0.00%

課程內容與進度
第一週 課程簡介 第二週 自然語言處理簡介 第三週 文字辨識簡介 第四週 文字辨識技術實作 第五週 文字辨識技術演練 第六週 文字處理技術簡介 第七週 文字處理技術實作 第八週 文字處理技術實作演練 第九週 文字辨識與處理整合演練與成果展示 第十週 語音前置的方法與步驟 第十一週 語音取樣、取音框、傅立葉轉換、高通濾波、漢明窗等語音前置處理演練 第十二週 語音特徵值計算程式設計演練 第十三週 語音辨識演算法介紹—基於監督式機器學習方法 第十四週 語音辨識演算法介紹—基於非監督式機器學習方法 第十五週 語音辨識資料庫使用 第十六週 語音辨識演算程式設計演練 第十七週 語音辨識與處理整合演練與成果展示 第十八週 機器人文字語音互動專題演練

教科書/參考書
自編教材

評分標準
期中專題報告 30% 、期末專題報告 30% 、上課實做 40%

學分數
3

授課時數(周)
3

開課班級
A10955

修課人數
50

教學目標
本課程介紹3GPP R15、R16的5GS行動寬頻網路系統規範，以及即將開始的R17中，如何支援eMBB、uRLLC、mMTC等各種新興垂直應用以及與其相關的行動網路技術與最新標準。5G除了提升對Multimedia Broadcast/Multicast Service (MBMS)、Mission Critical Services、Device-to-Device Communications (D2D)、Vehicular-to-Everything (V2X)、Industrial IoT (IIoT)等的支援，最新的標準也強化對Public Safety Networks (PSN)、Time-Sensitive Networks (TSN)、Non-Public Networks (NPN)、5G Local Area Networks (5GLAN)、5G Satellite (5GSAT)等網路環境的支援，在本課程中也將予以說明並進行介紹。

授課形式
理論講述與討論-30.00%;個案分析或作品賞析-30.00%;專題實作與報告-10.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度

第1週：行動通訊與5GS系統簡介
第2週：接取網路：NR及Xn
第3週：核網設計：5GC及NG
第4週：實驗1：開源碼小基站實驗平台之建置與量測
第5週：eMBB垂直應用網路技術
第6週：3GPP eMBB標準現況
第7週：eMBB應用分析
第8週：實驗2：eMBB垂直應用網路實驗
第9週：期中報告
第10週：uRLLC垂直應用網路技術
第11週：3GPP uRLLC標準現況
第12週：uRLLC應用分析
第13週：實驗3：uRLLC垂直應用網路實驗
第14週：mMTC垂直應用網路技術
第15週：3GPP mMTC標準現況
第16週：mMTC應用分析
第17週：實驗4：mMTC垂直應用網路實驗
第18週：期末專題

教科書/參考書
自編教材、3GPP標準文件及指定論文

評分標準

1.實驗 (30%)
2.期中報告 (30%)
3.期末專題 (40%)

學分數
3

授課時數(周)
3

開課班級
M11155

修課人數
23

教學目標
嵌入式系統是構成物聯網系統的主要元素，必須靠加入感測器、處理器及通訊模組，才能讓每日生活中使用的物品變得「智慧化」，它們能記錄真實世界中的過程，將其連結到網際網路的虛擬世界，以提供物聯網的基礎。本計畫的課程將從物聯網感測層出發，讓學生了解開發板(如：Arduino UNO、NodeMCU ESP32s與Raspberry Pi)以及感測器與致動器運作，以實作方式進行。首先了解開發板的運作原理，如中斷(Interrupt)、計時器(Timer)，以及介面知識，如：低功率藍芽(Bluetooth Low Energy, BLE)、GPIO、UART、PWM、與I2C，再以不同介面的感測器(如：溫溼度感測器、土壤溫濕感測器)或是致動器(如：繼電器、LED燈條、抽水馬達、風扇)作為實際操作對象，了解這些介面的理論與實作。讓學生瞭解物聯網中網路層常被應用的長距離低功耗網路(Lower-Power WAN)介面LoRaWAN網路，扮演傳送資料與控制訊息的媒介，減少網路佈線，將長距離低功耗特性應用在物聯網上，也能了解其背後運作原理。最後以專題製作串聯起物聯網的感測層、網路層、與應用層，如圖一所示，建置一個物聯網平台。

授課形式
理論講述與討論-60.00%;個案分析或作品賞析-20.00%;專題實作與報告-20.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
1. Introduction to Embedded Systems 2. Arduino 3. NodeMCU ESP32s

教科書/參考書
1. Arduino最佳入門與應用：打造互動設計輕鬆學

評分標準
1. Mid-term Exam: 15% 2. Final Exam: 15% 3. Lab、實習心得：15% 4. Quizzes: 10% 5. Project: 45% 6. Class Participation (Bonus): 5~10%

學分數
3

授課時數(周)
3

開課班級
A10955

修課人數
31

教學目標
擴展學生視野，培養學生鑽研學術的興趣，增進學生對產業現況的了解。

授課形式
理論講述與討論-0.00%;個案分析或作品賞析-0.00%;專題實作與報告-0.00%;田野調查-0.00%;實驗-0.00%;其他:專家以及學者演講-100.00%

課程內容與進度
依主題邀請專家以及學者演講，或由研究生報告。進度參見高大資工系網或 https://sites.google.com/site/csienuktw/

教科書/參考書
無

評分標準
現場親自簽名: 不得請人代簽或幫他人簽名(-100%) 上網繳交心得與QA 評分標準(暫定) 1. 出席 (80%): 現場親自簽名、上傳心得報告 2. 心得報告內容(±10%) 3. 隨堂討論 (10%) 4. 平時表現 (bonus)

學分數
1

授課時數(周)
2

開課班級
A10955

修課人數
51

教學目標
此課程目的在透過學生分組進行專題製作的過程達到： 1.驗證大學四年所學之資訊專業知識 2.培養團隊合作精神 3.訓練系統開發、整合與實作能力

授課形式
理論講述與討論-10.00%;個案分析或作品賞析-0.00%;專題實作與報告-90.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
由指導教授掌控各組進度，惟期末各組須繳交一份專題計畫書，包含專題題目、摘要、進行時程、內容、預期成果等。

教科書/參考書
無

評分標準
依「專題計畫書」內容及學生之表現，由指導教授評定分數

學分數
1

授課時數(周)
2

開課班級
A10955

修課人數
49

教學目標
人工智慧與金融科技為當今重要之科技領域，本課程將教授此二領域的背景知識、理論及整合應用，循序漸進以讓學生具備跨此二領域的知識及能力。

授課形式
理論講述與討論-70.00%;個案分析或作品賞析-15.00%;專題實作與報告-15.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
Week 1. 金融科技與人工智慧簡介 1
Week 2. 金融科技與人工智慧簡介 2
Week 3. Simple Investment Models 1
Week 4. Simple Investment Models 2
Week 5. 網頁技術及自動化網頁爬蟲簡介
Week 6. 自動化財務資料爬蟲，數據收集、分析及建模
Week 7. 遺傳演算法及最佳化技術簡介
Week 8. 遺傳演算法及最佳化技術簡介
Week 9. Midterm-term project demo
Week 10. 量化交易概論 (業界教師)
Week 11. 量化交易策略開發與回測1:技術指標 (業界教師)
Week 12. 量化交易策略開發與回測2:投資理論 (業界教師)
Week 13. 量化交易策略開發與回測3: 財務工程 (業界教師)
Week 14. Introduction to Learning
Week 15. Nearest Neighbor Algorithms and Information Theory
Week 16. Information Theory and Decision Trees
Week 17. Decision Trees and Weka 簡介
Week 18. Final-project demo


教科書/參考書
自訂教材
參考教材: AI 證券投資分析：探索超額報酬 使用Excel實作，葉怡成


評分標準
Homework: 25%
Project demos:75%
Class attendance: +-10%


學分數
3

授課時數(周)
3

開課班級
A11055

修課人數
50