| 課程代碼 |
20M10W01
|
| 課程中文名稱 |
統計模型與應用
|
| 課程英文名稱 |
Statistical Modeling and Applications
|
| 學分數 |
3.0
|
| 必選修 |
選修
|
| 開課班級 |
博研電機一甲,博電機國際一甲,碩研電機一甲,碩電機國際一甲
|
| 任課教師 |
陳有圳
|
| 上課教室(時間) |
|
週一
|
第2節
|
(A302)
|
|
週一
|
第3節
|
(A302)
|
|
週一
|
第4節
|
(A302)
|
|
| 課程時數 |
3
|
| 實習時數 |
0
|
| 授課語言 |
1.英語
◎全程外語教學
|
| 輔導考證 |
無
|
| 課程概述 |
Pattern recognition has its origins in engineering, whereas machine learning grew out of computer science. In particular, Bayesian methods have grown from a specialist niche to become mainstream, while graphical models have emerged as a general framework for describing and applying probabilistic models. Also, the practical applicability of Bayesian methods has been greatly enhanced through the development of a range of approximate inference algorithms such as variational Bayes and expectation propagation. Similarly, new models based on kernels have had significant impact on both
algorithms and applications.
|
| 先修科目或預備能力 |
|
|
課程學習目標與核心能力之對應
|
| 編號 | 中文課程學習目標 | 英文課程學習目標 |
|
1
|
Introduction
|
|
|
2
|
Bayesian decision theory
|
|
|
3
|
Linear models for regression and classification
|
|
|
4
|
Neural networks
|
|
|
5
|
Kernel methods
|
|
|
6
|
Graphical models
|
|
|
| 就業力培養目標 |
此門課程無設定權重值
|
| 中文課程大綱 |
1. 簡介
2. 拜氏決策理論
3. 線性模型於回歸與分類
4. 類神經網路
5. 核心方法
6. 圖形模型
|
| 英/日文課程大綱 |
|
| 課程進度表 |
1. 簡介
2. 拜氏決策理論
3. 線性模型於回歸與分類
4. 類神經網路
5. 核心方法
6. 圖形模型
|
| 課程融入SDGs |
|
| 期考調查 |
| 期中考(第9週)考試方式 |
|
| 期末考(第18週)考試方式 |
|
| 其他週考試考試週次與方式 |
|
|
| 教學方式與評量方式 |
| 課程學習目標 | 教學方式 | 評量方式 |
| Introduction |
課堂講授
|
實作
（
平時
）
|
| Bayesian decision theory |
課堂講授
|
實作
（
平時
）
實作
（
期中
）
|
| Linear models for regression and classification |
課堂講授
|
實作
（
平時
）
實作
（
期中
）
|
| Neural networks |
課堂講授
|
實作
（
平時
）
實作
（
期末
）
|
| Kernel methods |
課堂講授
|
實作
（
平時
）
實作
（
期末
）
|
| Graphical models |
課堂講授
|
實作
（
平時
）
實作
（
期末
）
|
|
| 指定用書 |
| 書名 |
Pattern Recognition
|
| 作者 |
Sergios Theodoridis
|
| 書局 |
Academic Press
|
| 年份 |
2009
|
| 國際標準書號(ISBN) |
|
| 版本 |
|
請同學尊重智慧財產權，使用正版教科書，不得非法影印，以免觸犯智慧財產權相關法令
。 |
| 參考書籍 |
|
| 教學軟體 |
|
| 課程規範 |
|