人工智能硕士

科目简介

机器学习基础（3学分）

本科目旨在为学生建立扎实的机器学习理论基础及核心技能。内容系统性介绍机器学习的基本概念与主要范式，包括监督式学习（如回归、分类）、非监督式学习（如分群、降维），以及模型评估方法、学习理论入门与机器学习专案的基本流程。学生将学习如何选择合适模型以解决实际问题，并掌握各类演算法的原理、优势及限制。透过理论讲授、案例分析与程式实作，本课程为进阶主题（如深度学习、强化学习）奠定关键基础。

人工智能技术与应用（3学分）

本科目全面介绍人工智能的基本理论、核心技术与多元应用。内容涵盖人工智能的发展历史与哲学基础，以及搜寻演算法、知识表示与推理、机器学习（监督式、非监督式与强化学习）及深度学习等重要模型。透过丰富案例，展示人工智能于专家系统、自然语言处理、电脑视觉及自动化系统等领域的应用，培养学生分析问题、选择技术及构建解决方案的综合能力。

人工智能数学基础（3学分）

本科目提供学习人工智能所需之关键数学工具与理论基础，包括线性代数、多变量微积分、机率论、统计推论与最佳化理论等。科目特别强调数学概念于人工智能演算法中的实际应用，协助学生理解演算法背后的数学原理，为后续进阶课程建立坚实基础。

深度学习（3学分）

本科目深入探讨深度学习的理论、模型与应用。内容涵盖多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、Transformer模型及生成对抗网络（GAN）等核心架构。透过实务案例，学生将掌握深度学习在电脑视觉与自然语言处理等领域的应用能力，并学习使用主流框架进行模型设计、训练及调校。

机器学习编程与工具（3学分）

本科目着重培养学生于机器学习领域的实务开发能力。以Python为核心，系统介绍NumPy、Pandas、Matplotlib及Scikit-learn等常用资料科学工具。内容涵盖资料取得、清理、处理与视觉化，以及模型建构、评估与部署，协助学生建立开发实际应用专案的工程基础。

机器学习优化方法（3学分）

本科目探讨机器学习中常用的最佳化理论与方法，包括凸优化、梯度下降法及其变体（如SGD、Adam）、牛顿法与限制式优化等。重点涵盖各类演算法于模型训练中的应用、收敛性分析及实务挑战。

自然语言处理（3学分）

本科目介绍自然语言处理的基本概念与前沿应用，包括文本预处理、词向量（Word2Vec、GloVe）、语言模型、文本分类、情感分析、机器翻译及问答系统等。并涵盖RNN、LSTM与Transformer等深度学习模型，培养学生理解与生成人类语言的能力。

计算机视觉（3学分）

本科目介绍电脑视觉的基本原理与应用技术，包括影像处理、特征提取、影像分类、物件侦测、影像分割、人脸识别与三维视觉等。科目强调深度学习（特别是CNN）在视觉问题中的应用，并结合实务操作。

强化学习（3学分）

本科目系统介绍强化学习的理论框架与核心技术，包括马可夫决策过程（MDP）、动态规划、蒙地卡罗方法、时间差分学习（Q-learning、SARSA）、策略梯度与深度强化学习（DQN、A3C）。并探讨其于游戏、机器人及推荐系统的应用。

时间序列分析（3学分）

本科目聚焦时间序列资料的分析与建模方法，包括平稳性、自相关、ARIMA模型、指数平滑、频谱分析，以及基于机器学习与深度学习的预测与异常侦测技术。

应用范围涵盖金融、气象及物联网等领域。

数据挖掘（3学分）

本科目教授从大型资料中发掘知识与模式的技术，包括资料预处理、关联规则、分类、分群及异常侦测等。透过案例分析，培养学生运用资料探勘解决实际问题的能力。

随机过程（3学分）

本科目提供分析随机动态系统的数学工具，内容包括机率论回顾、马可夫链、卜瓦松过程、更新理论、排队理论及布朗运动等。并探讨其于机器学习、运筹学及金融工程的应用。

人工智能前沿专题（3学分）

介绍人工智能最新研究方向与技术发展，如可信AI（公平性、可解释性、稳健性）、AutoML、元学习、图神经网络、量子机器学习及大型语言模型等。

采用研讨及论文阅读形式，激发学生研究兴趣。.

人工智能应用专题（3学分）

聚焦AI于产业及跨领域的实务应用，如智慧医疗、金融科技、智慧制造、自动驾驶及智慧城市等。透过案例与专案实作，培养技术选型与应用落地能力。

人工智能系统专题（3学分）

探讨大型AI系统的建构与部署，包括数据工程、模型压缩、分散式训练、AIOps及机器人系统等。涵盖ROS、感测器融合、SLAM及模拟到现实技术，强调工程实务能力。

文献综述与论文提案（2学分）

本科目为硕士论文准备阶段，指导学生确立研究主题，进行文献回顾，辨识研究缺口并提出研究问题。最终完成正式论文提案，包括研究目标、方法及时程规划。

社会伦理与学术专题（1学分）

本科目探讨人工智能与社会、法律及伦理的交叉议题，包括公平性、透明度、资料隐私与演算法偏见等。结合专题研究，让学生从实际案例或政策分析中培养具责任感的AI应用能力。