資訊工程學系

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. Introduction, Boolean Retrieval and Inverted Index
Unit 2. Web Search Basics and Spiders
Unit 3. Evaluation in Information Retrieval
Unit 4. Ranked Retrieval, Scoring, Term Weighting and the Vector Space Model
Unit 5. Introduction to Generative Artificial Intelligence
Unit 6. Large language models and Generative Pre-trained Transformers (GPT)
Unit 7. Prompt Engineering: basics, intermediate and advanced applications


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(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, by 吳燦銘, 博碩出版社, 2024


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
L11455

修課人數
18

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
L11455

修課人數
14

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Hub 8735 ultra開發板與LoRa協定與相關模組之應用為基礎。 Hub 8735 ultra是由資策會物聯網智造基地以台灣IC晶片模組為核心所設計推出之開發公板，此智慧AIoT Camera是具備多功能影像處理的高度集成模組，內置NPU AI 運算引擎，加速處理AI模型以及2.4G/5G 雙頻Wi-Fi與BLE低耗電藍牙傳輸，可廣泛應用於各種結合影像識別或 AI運算之物聯網場域，適用於教育科學、智能住宅、工業物聯網、智慧零售、健康照護等場景；多款預先訓練好的AI模型已最佳化在模組直接運行，也可建立自己訓練的AI模型，可做為AI教學之體驗工具，亦可直接整合在產品設計中作為快速導入Edge AI應用的快製套件。

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
課程將介紹Hub 8735 ultra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 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
L11455

修課人數
23

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LLM工具如ChatGPT、Germini等的使用，讓學生能跟上新興的發展趨勢。


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
L11355

修課人數
16

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
L11355

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
L11455

修課人數
13

教學目標
介紹人工智慧在裝置端軟硬體及應用服務的最新發展趨勢，以及相關的研發工具。

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-30.00%;田野調查-0.00%;實驗-20.00%;其他-0.00%

課程內容與進度
簡介、AI發展趨勢、AI開發平台、AIoT簡介、B5G/6G與AI、On-Device AI、模型量化與壓縮、推論與加速器

教科書/參考書
無

評分標準
上機實作、作業、報告、期末專題

學分數
3

授課時數(周)
3

開課班級
M11355

修課人數
15

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 – Agents (ch2) (蔡師)
第11週 – Solving Problem by Searching (ch3) (蔡師)
第12週 – Solving Problem by Searching (ch3) (蔡師)
第13週 – Adversarial Search and Games (ch5) (蔡師)
第14週 – Constraint Satisfaction Problems (ch6) (蔡師)
第15週 – Natural Language Processing (ch23) + NLP相關之專題演講 (蔡師)
第16週 – Philosophy, Ethics, and Safety of AI, the future of AI (ch27+ch28) (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. Journal and Conference Papers

評分標準
總成績=洪師*(3/18)+吳師(2/18)+黃師*(4/18)+蔡師*(9/18)

學分數
3

授課時數(周)
3

開課班級
M11355

修課人數
17

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
M11355

修課人數
29

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
M11355

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
M11355

修課人數
13

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
M11355

修課人數
19

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
考試0% 作業30% 出席率30﹪ 期中報告20% 期末報告20%

學分數
3

授課時數(周)
3

開課班級
M11355

修課人數
31

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LLM工具如ChatGPT、Germini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
M11355

修課人數
15

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
M11455

修課人數
18