資訊工程學系

教學目標
1. Learning the basic steps in medical image processing.
2. Practicing medical image processing in the PYTHON environment.


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-20.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
1. Introduction
2. Image Formation
3. Interaction of Electromagnetic Radiation with Matter in Medical Imaging
4. Medical Imaging Modalities: X-Ray Imaging
5. Medical Imaging Modalities: Magnetic Resonance Imaging
6. Image Reconstruction
7. Project Implementation


教科書/參考書
教科書：Medical Image Analysis, Second Edition, by Atam P. Dhawan, IEEE Press, 2011. 全華圖書代理
參考書：1. Digital Image Processing, Third Edition, by Rafael C. Gonzalez and Richard E. Woods, Prentice Hall, 2008. 歐亞代理


評分標準
Midterm (Paper report) (30%)
Term project (50%)
2 Homework assignments (20%)
Class attendance (-10~+10%)


學分數
3

授課時數(周)
3

開課班級
M11355

修課人數
0

教學目標
人工智慧(Artificial Intelligence, AI)與金融科技(Financial Technology, Fintech)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
Unit 1. Introduction to Fintech and AI
Unit 2. Simple Investment Models
Unit 3. Introduction to Quantitative Trading
Unit 4. Financial Web Crawlers and Data Scraping
Unit 5. Introduction to Machine Learning
Unit 6. Introduction to Generative AI
Unit 7. Information Theory and Decision Trees
Unit 8. Optimzation and Genetic Algorithms
Unit 9. AI applications to Stock Market


教科書/參考書
* 自訂教材
* AI提示工程師的16堂關鍵必修課（第二版）Copilot應用x精準提問x優化提示x有效查詢x文字生成xAI繪圖, 吳燦銘
* 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% Term projects:75% Class attendance: +-10%

學分數
3

授課時數(周)
3

開課班級
L11255

修課人數
0

教學目標
1. 本課程內容注重於開發嵌入式多核心系統整合技術、程式平行化技術、與應用技術。 2. 希望能藉此課程讓學生具備嵌入式多核心系統整合設計的知識與應用能力 3. 預計講述cuda、pthread、openMP函式應用

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-20.00%;田野調查-0.00%;實驗-20.00%;其他-0.00%

課程內容與進度
1. Multicore Processor Architecture 2. Parallel Computing Concepts 3. Basic Parallel Programming 4. CUDA 5. Posix thread programming 6. OpenMP

教科書/參考書
1. Max Domeika, “Software Development for Embedded Multi-core Systems: A Practical Guide Using Embedded Intel Architecture,” Newnes, 2008. 2. S. Akhterm, “Multi-core Programming: Increasing Performance Through Software Multi-threading,” Intel Press, 2006.

評分標準
1. Mid-term Exam: 30% 2. Final Exam: 30% 3. Project:30% 4. Quiz:10% 5. Paper Presentation: 5% 6. Class Participation (Bonus): 5~10%

學分數
3

授課時數(周)
3

開課班級
L11255

修課人數
0

教學目標
學習各種深度學習模型，諸如深度神經網路、自動編碼器、卷積神經網路、遞歸神經網路、長短期記憶模型和生成對抗網路，應用在電腦視覺、自動語音識別、自然語言處理、音頻識別和生物資訊等領域，以產生最新的成果。本課程將介紹深度學習的概念，並教導如何運用「深度學習程式設計的技巧」與「深度學習各種模型及其應用領域」等相關技術，以及探討深度學習的現況和未來的發展。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分析應用能力的養成。

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-30.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
由各授課老師制定論文研讀主題與各週研讀進度

教科書/參考書
相關論文

評分標準
報告 60%
參與討論 30%
出席 10%

學分數
3

授課時數(周)
3

開課班級
L11255

修課人數
2

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2,4-7週 The complexity of algorithms 第9-12週 NP-complete problem  第13週 期中考 第14-15週 論文研究方式(講解報告與分組) 簡介greedy method, divide-and-conquer algorithms, dynamic programming strategy 第17週 分組報告(介紹生成式AI演算法) 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
L11255

修課人數
0

教學目標
1. 了解巨量資料的基本概念與分析需求
2. 了解基本的統計方法與各種進階資料探勘的方法
3. 了解巨量資料分析的系統平台與分析工具，包括Hadoop、HDFS、MapReduce、HBase、NoSQL資料庫等
4. 學習使用Spark Python(PySpark)軟體進行資料分析

* 欲修習本課程的同學最好先修過資料探勘


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-30.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
1. Course Introduction (0.5 Week)
2. Introduction to Big Data Analysis (1 Week)
3. Advanced Data Mining Techniques (5 Weeks)
- Advanced Classification
- Advanced Association Analysis
- Advanced Clustering
- Linear Regression
4. Basic Statistics (1 Week)
5. Hadoop Overview (2 Weeks)
- Cloud Computing
- HDFS
- HBase
- MapReduce
6. NoSQL databases (1 week)
7. Data Warehouse and Data Lake
8. Data Manipulation Spark Python (2 Weeks)
9. Data Analysis with Spark Python (3 Weeks)
10. Case Study and Discussions (1 Week)


教科書/參考書
本課程無固定教材，相關參考資料如下:
1. Open Source的訓練教材
2. P.N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining, Pearson Int., 2nd Edition, 2006.
3. D. Loshin, Big Data Analytics, Elsvier, 2013.


評分標準
1. In-Class Exercises and Discussion: 20%
2. Homework: 30%
3. Project: 30%
4. Paper Presentation 20%
5. Attendance: 20%

學分數
3

授課時數(周)
3

開課班級
L11255

修課人數
1

教學目標
本課程提供碩士班學生參與智慧型系統相關論文研讀與分組討論之訓練，以培養碩士班學生論文研讀與上台報告之能力。

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-30.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
由各授課老師制定論文研讀主題與各週研讀進度

教科書/參考書
相關論文

評分標準
報告 60%
參與討論 30%
出席 10%

學分數
2

授課時數(周)
2

開課班級
L11255

修課人數
5

教學目標
本課程提供碩士班學生參與智慧型系統相關論文研讀與分組討論之訓練，以培養碩士班學生論文研讀與上台報告之能力。

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-30.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
由各授課老師制定論文研讀主題與各週研讀進度

教科書/參考書
相關論文

評分標準
報告 60%
參與討論 30%
出席 10%

學分數
2

授課時數(周)
2

開課班級
L11355

修課人數
2

教學目標
此課程主要在介紹一般科技論文的結構，各組成單元的寫作原則，資料整理與表達方式等。本課程講授內容規畫以中文論文的寫作為主，但同時亦介紹英文論文寫作的組織、用字遣詞、文法等基本技巧，亦會帶入AI寫作工具的介紹與使用。


授課形式
理論講述與討論-30.00%;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:課堂練習-30.00%

課程內容與進度
1. 課程簡介
2. 基本研究方法
3. 論文組織結構
4. 各單元內容寫作介紹
* 題目
* 摘要
* 引言
* 正文
* 實驗設計
* 結果與討論
* 結論
* 致謝
* 參考文獻
5. 其他議題
* 參考文獻搜集
* 數學符號與公式
* 圖、表設計
* 文獻引用
* 註解
6. 不同體裁之論文專論
* 學位論文
* 研討會論文
* 期刊論文
7. 論文簡報
* 如何準備
* 簡報方式
8. 英文論文寫作專論
* 文法與修辭原則
* 標點符號
* 寫作風格與可讀性
* 常犯錯誤
* 關鍵句介紹
9. 論文徵稿與投稿

教科書/參考書
無特定之教科書

評分標準
出席 30%
課堂練習 30%
作業 20%
期末報告 20%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
6

教學目標
學習各種深度學習模型，諸如深度神經網路、自動編碼器、卷積神經網路、遞歸神經網路、長短期記憶模型和生成對抗網路，應用在電腦視覺、自動語音識別、自然語言處理、音頻識別和生物資訊等領域，以產生最新的成果。本課程將介紹深度學習的概念，並教導如何運用「深度學習程式設計的技巧」與「深度學習各種模型及其應用領域」等相關技術，以及探討深度學習的現況和未來的發展。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分析應用能力的養成。

授課形式
理論講述與討論-20.00%;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-50.00%;其他-0.00%

課程內容與進度
次數 授課教師 課程內容 1 張保榮 深度學習及Tensorflow介紹 2 張保榮 機率、資訊論與數值計算 3 張保榮 深度學習應用工具 4 張保榮 深度前饋網路 5 張保榮 深度學習規則化 6 張保榮 近似推論 7 張保榮 變分推理和蒙地卡羅法 8 張保榮 深度模型優化 9 張保榮 自動編碼器 10 張保榮 課程專題討論 11 張保榮 隨機誤差倒傳遞演算法 12 張保榮 深度生成模型 13 張保榮 深度波茲曼機器 14 張保榮 生成隨機網路 15 張保榮 卷積神經網路 16 張保榮 遞歸神經網路 17 張保榮 長短期記憶模型 18 張保榮 期末課程專題公開展示

教科書/參考書
1. 自編教材與指定技術報告 (50%) 2. 聯盟提供教材 (50%) 3..自由軟體: (1)Anaconda下載 https://www.anaconda.com/ (2)Python下載 https://www.python.org/ (3)Tensorflow下載 https://www.tensorflow.org/ (4) TensorBoard下載 https://www.tensorflow.org/guide/summaries_and_tensorboard (5)Keras下載 https://pypi.org/project/Keras/ (6)PyChrome下載 https://pypi.org/project/pychrome/ (7)手寫辨識資料集 https://scidm.nchc.org.tw/dataset/mnist (8) MIT ECG Database下載 https://physionet.org/physiobank/database/ptbdb/ (9)CIFAR-10資料集 https://www.cs.toronto.edu/~kriz/cifar.html

評分標準
Assignments: 70% Midterm Project: 15% Final Project: 15% Show up: -10%~10%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
3

教學目標
本課程包含實作與理論兩部分。實作部分主要希望透過循序漸進的方式，讓學生了解目前擴增實境的應用現況與互動方式，透過Unity的各項功能，從3D遊戲設計到創建擴增實境，最後透過案例實作，使學生具備Unity與AR的開發能力。理論部分可從照相機原理、3D重建到SLAM，讓學生了解AR的基本原理。最後，學生在修完此課程後，能達到學用合一的目標。

授課形式
理論講述與討論-30.00%;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:上機實作-40.00%

課程內容與進度
本課程包含實作與理論兩部分
實作部分：
1.Unity遊戲與擴增實境介紹
2.2D遊戲操作
-物件配置、UI、預製物件
-角色控制、碰撞偵測
-攝影機、動畫
3.3D遊戲-基本操作
-材質
-鏡頭
-光源
-光影
-腳本
4.3D遊戲-進階操作
-場景
-角色控制器
-特效
-碰撞偵測
-自動控制
-GUI粒子系統
5. 2D遊戲APK製作、3D遊戲APK製作
6.擴增實境引擎介紹與註冊
7.AR影像辨識圖卡製作與發佈
8.AR簡易實作
-AR按鈕事件顯示模型
-AR家具互動型錄
-AR立體名片
-AR互動大頭貼與立體相框
-AR上架
理論部分：
1.照相機原理
2.單目視覺測量
3.圖形識別、匹配與3D重建
4.雙目視覺測量
5.運動圖像處理
6.Simultaneous Localization and Mapping，SLAM
期中與期末報告


教科書/參考書
1.Jung Timothy, "Augmented Reality and Virtual Reality," Springer
2.(澳)理查德•哈特利, (英)安德魯•西塞曼宮迅偉，計算機視覺中的多視圖幾何，機械工業出版社，ISBN：9787111632887
3.邱勇標，"Unity 3D遊戲設計實戰（第三版）"，碁峰
4.謝旻儕、黃凱揚，"AR擴增實境輕鬆學：結合虛擬與真實的新科技應用"，深石
5.歐陽芳泉、林淑惠、鄭佳淵，”快快樂樂學 AR影像魔法-使用 Unity 與 Vuforia 開發套件”，台科大


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%


學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
4

教學目標
本課程為計算機組織課程的進階課程，將先複習計算機組織課程中的處理器運作基本觀念以及記憶體階層(Memory Hierarchy)基礎運作觀念，先介紹記憶體階層設計的進階技術，然後以處理器為中心到外圍的記憶體架構，先討論在單一處理器上可以提高指令層次平行度(Instruction-Level Parallelism)的技術，之後擴展提高資料層次平行度(Data-Level Parallelism)，將分別介紹向量處理器結構(Vector Architecture)、單指令流多數據流結構(SIMD Architecture)、和圖形晶片的硬體架構（GPU Architecture），到提高執行緒層次平行度(Data-Level Parallelism)的多核心架構，說明多核心架構下共享記憶體所面臨的問題，以及解決策略。

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. Fundamentals of Computer Design 2. Memory Hierarchy Design 3. Instruction-Level Parallelism and its Exploitation 4. Data-Level Parallelism 5. Thread-Level Parallelism

教科書/參考書
J. L. Hennessy and D. A. Patterson, Computer Architecture: A Quantitative Approach, 5th Edition, Morgan Kaufmann Publishing Co., Menlo Park, CA.

評分標準
1. Mid-term Exam: 30% 2. Final Exam: 30% 3. Project:25% 4. Quiz:10% 5. Paper Presentation: 5% 6. Class Participation (Bonus): 5~10%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
2

教學目標
醫療資訊學是探討如何將資訊科學與技術運用於醫學和衛生保健等領域的研究，實際包含的內容相當廣泛，屬於跨領域的研究。本課程主要的目標在於介紹此領域的相關資源、設計和方法，特別著重於如何運用資訊科技，如人工智慧、影像處理、信號處理等，於醫療資料，如電子病歷、檢驗資料的獲取、儲存、隱私保護、分析和決策利用。同時也會介紹相關的標準化，如: DICOM, HL7 FHIR，和醫學詞彙，如：SNOMED、UMLS、MedDRA等。

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-30.00%;田野調查-0.00%;實驗-0.00%;其他-0.00%

課程內容與進度
** Course Introduction & Understanding Medical Data (1 Week)
1.1 EHR
1.2 DICOM
1.3 Other Standards, e.g., HL7 FHIR, UMLS, SNOMED, MedDRA
** Medical Data Processing and Analysis
Topic 1: Medical Image Processing
1.1 Basic Concept (2 weeks)
Introduction, Medical Imaging Modalities: X-Ray Imaging
Medical Imaging Modalities: Magnetic Resonance Imaging
1.2 Technologies (2 week)
Image Reconstruction, Image Segmentation
1.3 Case Studies (1 week)
Endoscopy Artefact Detection by Deep Transfer Learning

Topic 2: Medical Signal Processing
2.1 Basic Concept (2 week)
Introductions of biomedical signals: EEG, EOG, EMG, ECG
2.2 Technologies (2 weeks)
Feature extraction for biomedical signals
Classification methods for biomedical signals
2.3 Case Studies (1 week)
Disease detection
Emotion recognition
Other applications

Topic 3: Medical Data Privacy and Anonymization
3.1 Basic Concept
HIPPA, Privacy Preserving Data Publishing (0.5 week)
3.2 Technologies (2.5 weeks)
Privacy Protection Model
Data Anonymization Methods
3.3 Case Studies (1 week)
Blood Transfusion Service Data
Adverse Drug Event Reporting Data

Topic 4: Public Health Safety Surveillance
4.1 Drug and Vaccine Safety and Surveillance (1 week)
FAERS and VAERS system
4.2 ADR signal detection methods (1 week)


教科書/參考書
無具體教科書，由授課老師自行編寫講義。

評分標準
課堂討論&作業 30%
案例研討報告 30%
論文報告 30%
出席 10%


學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
1

教學目標
1. 本課程內容注重於開發嵌入式多核心系統整合技術、程式平行化技術、與應用技術。 2. 希望能藉此課程讓學生具備嵌入式多核心系統整合設計的知識與應用能力 3. 預計講述cuda、pthread、openMP函式應用

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-20.00%;田野調查-0.00%;實驗-20.00%;其他-0.00%

課程內容與進度
1. Multicore Processor Architecture 2. Parallel Computing Concepts 3. Basic Parallel Programming 4. CUDA 5. Posix thread programming 6. OpenMP

教科書/參考書
1. Max Domeika, “Software Development for Embedded Multi-core Systems: A Practical Guide Using Embedded Intel Architecture,” Newnes, 2008. 2. S. Akhterm, “Multi-core Programming: Increasing Performance Through Software Multi-threading,” Intel Press, 2006.

評分標準
1. Mid-term Exam: 30% 2. Final Exam: 30% 3. Project:30% 4. Quiz:10% 5. Paper Presentation: 5% 6. Class Participation (Bonus): 5~10%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
1

教學目標
隨著資訊與通訊科技的蓬勃發展，網際網路的連結裝置，從傳統以電腦為主，目前已擴大到具行動性的智慧型裝置，如手機、手錶、眼鏡、車輛、飛行器等裝置，未來也將應用到更多樣的設備或物體上。以物體聯網應用為導向的物聯網，遂成為目前熱門的學術研究與產業發展議題。本課程將介紹物聯網的概念，並說明與物聯網有關的網路與系統技術，以及應用現況及未來展望。主要以LoRa協定與相關模組之應用為基礎。

授課形式
理論講述與討論-40.00%;個案分析或作品賞析-20.00%;專題實作與報告-30.00%;田野調查-0.00%;實驗-10.00%;其他-0.00%

課程內容與進度
課程前半段時間將介紹Arduino Nano BLE平台的應用，以它為中心學習開發板、LoRa協定和模組、與機器學習的應用。  內建感測器應用  BLE  UART  LoRaWan協定簡單介紹  LoRaWan模組應用  MQTT  基礎機器學習介紹與應用 後半學期介紹紹IoT相關通訊協定技術知識與產業應用，教學內容以IoT技術為主軸，包含：NB-IoT, LoRa, Fog, and NR等，介紹IoT與5G之關聯性，以及IoT的產業應用等等 本課程將介紹物聯網系統實作中常用到的LoRa協定，上半學期主題將透過外部MCU(如Arduino Nano BLE)以UART傳送LoRa指令，並結合可以運作在開發板上的機器學習機制，帶領學生做物聯網專題軟硬體整合規劃，執行硬體與軟體整合設計建置專題。

教科書/參考書
自編教材與指定論文

評分標準
暫定：

• 課程出席
• 隨堂表現
• 期中報告暨書報討論
• 期末考/期末專題

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
3

教學目標
機器學習的目標是建立一個能夠適應數據並從數據中學習的電腦系統。在本課程中，我們將涵蓋以下內容：線性迴歸、邏輯迴歸、深度網路、支援向量機、決策樹、k均值、高斯混合、期望最大化、強化學習。

授課形式
理論講述與討論-20.00%;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-50.00%;其他-0.00%

課程內容與進度
1.課程主旨，什麼是 ML？ 2.線性代數回顧、Python 簡介、ML 基礎 3.監督式學習：線性迴歸 4.梯度下降、SGD、小批量 SGD 5.偏差與變異數、正規化、模型選擇與特徵選擇 6.產生判別演算法 7.邏輯迴歸 8.NN 簡介與期中複習 9.期中考 10.深度網路與反向傳播 11.決策樹 12.整合方法（增強/隨機森林） 13.支援向量機（SVM）（和核子機） 14.無監督學習：K 均值聚類、高斯和 EM 的混合 15.無監督學習：因素分析、PCA（主成分分析） 16.強化學習 17.強化學習 II 與期末複習 18.期末考或專案展示

教科書/參考書
1.自編授課教材 80% 2.網路教材 20%

評分標準
Assignments: 70% Midterm Project: 15% Final Project: 15% Show up: -10%~10%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
4

教學目標
本課程提供碩士班學生參與智慧型系統相關論文研讀與分組討論之訓練，以培養碩士班學生論文研讀與上台報告之能力。

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-30.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
由各授課老師制定論文研讀主題與各週研讀進度

教科書/參考書
相關論文

評分標準
報告 60%
參與討論 30%
出席 10%

學分數
3

授課時數(周)
3

開課班級
M11355

修課人數
5

教學目標
本課程提供碩士班學生參與智慧型系統相關論文研讀與分組討論之訓練，以培養碩士班學生論文研讀與上台報告之能力。

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-30.00%;田野調查-0.00%;實驗-30.00%;其他-0.00%

課程內容與進度
由各授課老師制定論文研讀主題與各週研讀進度

教科書/參考書
相關論文

評分標準
報告 60%
參與討論 30%
出席 10%

學分數
3

授課時數(周)
3

開課班級
M11255

修課人數
4

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. 其餘邀請著名學者演講 3. 研究生報告其論文想法

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
4

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. 其餘邀請著名學者演講
3. 研究生報告其論文想法

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
M11355

修課人數
5