資訊工程學系

教學目標
使學生親身體驗與上課所學於資訊工程領域於業界之工作與環境，培養學生資訊工程能力與素養。

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
業界實習

教科書/參考書
無

評分標準
專題實作與報告50%
業界實習成果50%


學分數
8

授課時數(周)
3

開課班級
A11055

修課人數
1

教學目標
教導學生資訊檢索、搜尋引擎、生成式人工智慧之理論模型、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. Web search basics and crawling
Unit 3. Term vocabulary and postings lists
Unit 4. Scoring, term weighting and the vector space model
Unit 5. Evaluation in Information Retrieval
Unit 6. Introduction to Generative Artificial Intelligence
Unit 7. Large language models and Generative pre-trained Transformers (GPT)
Unit 8. Prompt Engineering: basics, intermediate and advanced applications
Unit 9. Chatbots: ChatGPT, Copilot, Gemini


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
3. AI提示工程師的16堂關鍵必修課：精準提問x優化提示x有效查詢x文字生成xAI繪圖, by 吳燦銘, 博碩出版社, 2023


評分標準
1. Homework/quiz/presentation: 30%
2. Three term projects: 70%
3. Show-Up: -10%~10%

學分數
3

授課時數(周)
3

開課班級
L11255

修課人數
21

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
L11255

修課人數
11

教學目標
介紹資料探勘的觀念與運作模式，深入介紹各種資料探勘技術的理論基礎及其應用方式，並藉由實際產品與案例的研討，透過Python程式的演練，驗證所學的理論觀念。


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
週次 內容主題
--------------------------------------------
1 Introduction
2 Data Preprocessing I
3 Data Preprocessing II
4 Data Exploration Technology
5 Classification I
6 Classification II
7 Classification III
8 案例研討
9 Association Analysis I
10 Association Analysis II
11 案例研討
12 Cluster Analysis I
13 Cluster Analysis II
14 案例研討
15 Anomaly Detection
16 案例研討
17 論文報告
18 專題展示


教科書/參考書
教科書:
P.N. Tan, M. Steinbach, A. Karpatne, and V. Kumar, Introduction to Data Mining, 2nd Ed., Pearson International Edition, 2019.

參考書:
簡禎富, 許嘉裕。大數據分析與資料挖礦。前程文化, 2019.


評分標準
論文報告 25%
作業 30%
專題 25%
出席 20%

學分數
3

授課時數(周)
3

開課班級
L11255

修課人數
13

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
L11255

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
L11355

修課人數
11

教學目標
這門課除了闡述人工智慧中的基本概念及技術外，結合目前open source LLM平台、FinTech+AI等等應用領域之介紹，深化學習人工智慧之興趣與動機。透過業界講師講座，學生能了解實際應用之場域，與現實接軌。透過專題實作與展示，學生能夠深化學習成果，進而對其他進階課程有學習動力。

授課形式
理論講述與討論-40.00%;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-10.00%;其他-0.00%

課程內容與進度
第1週 – 課程簡介 (洪師)
第2週 – Introduction to Artificial Intelligence (洪師)
第3週 – Machine Learning and Data Mining (洪師)
第4週 – Introduction to Generative AI (吳師)
第5週 – Generative AI: Applications (吳師)
第6週 – Generative AI and Fintech (黃師)
第7週 – Generative AI and Fintech (黃師)
第8週 – Project exploration and discussions (黃師)
第9週 – Midterm Project Demo (黃師)
第10週 – Introduction to Information Retrieval (蔡師)
第11週 – Introduction to Web Mining (蔡師)
第12週 – Agents (ch2) (蔡師)
第13週 – Solving Problem by Searching (ch3) (蔡師)
第14週 – Solving Problem by Searching (ch3) (蔡師)
第15週 – Adversarial Search and Games (ch5) (蔡師)
第16週 – Constraint Satisfaction Problems (ch6) (蔡師)
第17週 – Final Project Demo (蔡師)
第18週 – 自主學習-Generative AI


教科書/參考書
自編教材 部分內容使用 Stuart Russell and Peter Norvig, "Artificial Intelligence: A Modern Approach", 4rd Edition, 2021. Ricardo Baeza-Yates and Berthier Ribeiro-Neto. “Modern Information Retrieval", Addison Wesley, 2011 Journal and Conference Papers

評分標準
出勤10%、作業/測驗30%、期中專題30%、期末專題30%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
37

教學目標
教導學生資訊檢索、搜尋引擎、生成式人工智慧之理論模型、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. Web search basics and crawling
Unit 3. Term vocabulary and postings lists
Unit 4. Scoring, term weighting and the vector space model
Unit 5. Evaluation in Information Retrieval
Unit 6. Introduction to Generative Artificial Intelligence
Unit 7. Large language models and Generative pre-trained Transformers (GPT)
Unit 8. Prompt Engineering: basics, intermediate and advanced applications
Unit 9. Chatbots: ChatGPT, Copilot, Gemini


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
3. AI提示工程師的16堂關鍵必修課：精準提問x優化提示x有效查詢x文字生成xAI繪圖, by 吳燦銘, 博碩出版社, 2023


評分標準
1. Homework/quiz/presentation: 30%
2. Three term projects: 70%
3. Show-Up: -10%~10%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
33

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
M11255

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
3

授課時數(周)
3

開課班級
M11255

修課人數
22

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
M11255

修課人數
14

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
M11255

修課人數
33

教學目標
此門課主要是希望學生在修完此課程後，能瞭解電腦如何模擬人類視覺，處理視覺影像的原理，並能做到影像搜尋與影像辨識的功能。整個課程在理論的基礎講解後，能徹底了解深度學習神經網路，其中包含：MLP、VGG、ResNet、DenseNet、InceptionNet、EfficientNet、Generative Adversarial Net、YOLO、UNet、transfer learning等概念，最後透過案例實作，學生可學到影像基礎分類、影像深度學習分類、影像物件擷取與影像註解等技術，更能實際打造自己量身訂做的影像捲積+類神經網路，並應用在各項實際案例中。

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-40.00%;田野調查-0.00%;實驗-0.00%;其他:上機實作-20.00%

課程內容與進度
----part1 影像原理與操作------- 1.電腦視覺介紹與影像處理基本觀念 2.影像通道、運算與合併 3.影像色彩空間轉換 4.影像加解密 5.資訊隱藏 6.影像幾何轉換 7.二值化影像 8.像素連通分割 -----Part 2 影像捲積--------- Part 2.1 空間域捲積 9.影像型態 10.平滑處裡 11.影像濾波與梯度 12.影像邊緣與輪廓 Part 2.2 頻率域捲積 13.傅立葉轉換 14.低通濾波器 15.高通濾波器 16.影像分割與分析 -----Part 3 影像相似度計算--------- 17.影像分群(clustering) 18.廣度優先影像搜尋(BFS) 19.深度優先影像搜尋(DFS) -----Part 4 影像辨識--------- 20.影像基礎分類 (Decision Tree、Random Forests、Support Vector Machine、Linear Discriminant Analysis) 21.影像進階分類 (Multilayer Perceptron、VGG、ResNet、DenseNet、InceptionNet、EfficientNet、Generative Adversarial Net、transfer learning、AutoEncoder、Attention Mechanism) 22.影像辨識註解(KNN、BR、BRKNN、TFIDF、Entropy) 23.影像物件分割(Selective Search、Fully Convolutional Networks、Unet、RCNN、Fast RCNN、Faster RCNN、Mask RCNN、YOLO) ----Part 5 案例實作----------- 23.視訊物件辨識與移動偵測 24.範例實作(人臉辨識、車牌辨識、車道辨識、交通標誌辨識、醫學影像辨識) 25.期中期末課程專題報告

教科書/參考書
1.繆鵬，” CV+深度學習：AI最完整的跨套件Python人工智慧電腦視覺”，深智數位 2.Richard Szeliski, “Computer Vision: Algorithms and Applications 2nd Edition,” July, 2021

評分標準
平時成績(含作業及出席率)60﹪ 期中報告20% 期末報告20% 考試0%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
32

教學目標
教學目標:
本課程目的在介紹資料探勘的觀念與運作模式，深入介紹各種資料探勘技術的理論基礎及其應用方式，並藉由實際案例與Python程式實作掌握所學的各種方法的運用時機及方式。在實際案例分析討論中，例如理解資料的特徵、解決的問題描述、對應的前置處理、適合的探勘方法等，將導入開源的MLOps工具，如MLflow、Metaflow，其中也包含生成式AI工具如ChatGPT 4/o的使用，讓學生能跟上新興的發展趨勢。
學習目標:
1. 學生具體了解資料前置處理及各種資料探勘技術，包括關聯分析、分類、分群及異常偵測等核心方法。
2. 藉由與金融行銷領域的案例研討與程式實作掌握所學的各種方法的運用，培養初步的跨域思考能力。


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-30.00%;田野調查-0.00%;實驗-0.00%;其他:課堂演練-20.00%

課程內容與進度
週次 內容主題
--------------------------------------------
1 Introduction
2 Data Preprocessing I
3 Data Preprocessing II
4 Data Exploration Technology
5 Classification I
6 Classification II
7 Classification III
8 Case Study
9 Association Analysis I
10 Association Analysis II
11 Case Study
12 Cluster Analysis I
13 Cluster Analysis II
14 Case Study 15 Anomaly Detection
16 論文報告


教科書/參考書
教科書:
P.N. Tan, M. Steinbach , A. Karpatne, and V. Kumar, Introduction to Data Mining, 2nd Ed., Pearson, 2019.
參考書: 1. J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed, Morgan Kaufmann Publishers, 2012.
2. 自訂教材

評分標準
小考: 20%
作業: 30%
課程專題: 20%
論文研讀報告: 20%
出席: 10%


學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
14

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
M11355

修課人數
18

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
M11255

修課人數
22

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
M11355

修課人數
19

教學目標
電腦網路是現今資訊與通訊科技的重要研究領域，本課程將帶領學生研讀先進的電腦網路技術，並藉由書報討論、論文研讀等，訓練學生評析即有技術、設計創新技術與發表報告的能力。

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
使用Microsoft Teams教學平台，待初選結束後依名單加入權限，屆時請用學校Microsoft O365帳號登入。
Bases of Computer Network Researches

• Review of Fundamentals of Computer Networks
  • The Internet protocol stack
  • Routing and transport issues
• Tools and Platforms
  • Network programming
  • Network simulator

Advanced Topics on Computer Networking

• Wireless and mobile networking
  • 3GPP 5G and Beyond
  • Satellite Communications
• Security in Computer Networks
• Cryptography
• Security in All Layers

教科書/參考書
參考書

• James F. Kurose and Keith W. Ross, Computer Networking: A Top-Down Approach Featuring the Internet
• Larry L. Peterson and Bruce S. Davie,Computer Networks: A Systems Approach, Morgan Kaufmann (ISBN 0-12370-548-7)
• R. Stevens, B. Fenner, and A. Rudoff, UNIX Network Programming: The Sockets Networking API, Vol. 1, Addison-Wesley

評分標準

• 課堂討論表現
• 論文研讀
• 專題製作
• 實作

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
14

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
M11255

修課人數
35

教學目標
修完課程後對於現有無線網路運作原理與系統有一定程度認識，可從事相關無線網路系統管理維護工作，或運用於研究所階段的相關學術研究。

授課形式
理論講述與討論-80.00%;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-0.00%;其他-0.00%

課程內容與進度
1. Introduction to the course
2. Introduction to Transmission Fundamentals
3. Introduction to Transmission Fundamentals
4. Introduction to Transmission Fundamentals
5. Wireless MAC Schemes
6. Wireless MAC Schemes
7. 期中考
8. Ad Hoc Networks
9. Cross-Layer Optimization for Mobile Multimedia
10. Cross-Layer Optimization for Mobile Multimedia
11. Cross-Layer Optimization for Mobile Multimedia
12. Wireless LAN
13. Wireless LAN
14. 期末考
15. 專題報告
16. 專題報告


教科書/參考書
陳裕賢等著, 無線網路與行動計算, 全華, 2013.
Dharma Prakash Agrawal and Qing-An Zeng, Introduction to Wireless and Mobile Systems, 4th Edition, Brooks/Cole, 2015.
Clint Smith and Daniel Collins, Wireless Networks: Design and Integration for LTE, EVDO, HSPA, and WiMAX, 3rd Edition, McGraw-Hill Education, 2014.
William Stallings, Wireless Communications and Networks, Prentice Hall, 2002.
自編教材


評分標準
Quizzes (25%)
Mid-term exam (25%)
Project presentation (20%)
Final exam (30%)


學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
21