人工智能碩士

科目簡介

機器學習基礎（3學分）

本科目旨在為學生建立紮實的機器學習理論基礎及核心技能。內容系統性介紹機器學習的基本概念與主要範式，包括監督式學習（如回歸、分類）、非監督式學習（如分群、降維），以及模型評估方法、學習理論入門與機器學習專案的基本流程。學生將學習如何選擇合適模型以解決實際問題，並掌握各類演算法的原理、優勢及限制。透過理論講授、案例分析與程式實作，本課程為進階主題（如深度學習、強化學習）奠定關鍵基礎。

人工智能技術與應用（3學分）

本科目全面介紹人工智能的基本理論、核心技術與多元應用。內容涵蓋人工智能的發展歷史與哲學基礎，以及搜尋演算法、知識表示與推理、機器學習（監督式、非監督式與強化學習）及深度學習等重要模型。透過豐富案例，展示人工智能於專家系統、自然語言處理、電腦視覺及自動化系統等領域的應用，培養學生分析問題、選擇技術及構建解決方案的綜合能力。

人工智能數學基礎（3學分）

本科目提供學習人工智能所需之關鍵數學工具與理論基礎，包括線性代數、多變量微積分、機率論、統計推論與最佳化理論等。科目特別強調數學概念於人工智能演算法中的實際應用，協助學生理解演算法背後的數學原理，為後續進階課程建立堅實基礎。

深度學習（3學分）

本科目深入探討深度學習的理論、模型與應用。內容涵蓋多層感知器（MLP）、卷積神經網絡（CNN）、循環神經網絡（RNN）、Transformer模型及生成對抗網絡（GAN）等核心架構。透過實務案例，學生將掌握深度學習在電腦視覺與自然語言處理等領域的應用能力，並學習使用主流框架進行模型設計、訓練及調校。

機器學習編程與工具（3學分）

本科目著重培養學生於機器學習領域的實務開發能力。以Python為核心，系統介紹NumPy、Pandas、Matplotlib及Scikit-learn等常用資料科學工具。內容涵蓋資料取得、清理、處理與視覺化，以及模型建構、評估與部署，協助學生建立開發實際應用專案的工程基礎。

機器學習優化方法（3學分）

本科目探討機器學習中常用的最佳化理論與方法，包括凸優化、梯度下降法及其變體（如SGD、Adam）、牛頓法與限制式優化等。重點涵蓋各類演算法於模型訓練中的應用、收斂性分析及實務挑戰。

自然語言處理（3學分）

本科目介紹自然語言處理的基本概念與前沿應用，包括文本預處理、詞向量（Word2Vec、GloVe）、語言模型、文本分類、情感分析、機器翻譯及問答系統等。並涵蓋RNN、LSTM與Transformer等深度學習模型，培養學生理解與生成人類語言的能力。

計算機視覺（3學分）

本科目介紹電腦視覺的基本原理與應用技術，包括影像處理、特徵提取、影像分類、物件偵測、影像分割、人臉識別與三維視覺等。科目強調深度學習（特別是CNN）在視覺問題中的應用，並結合實務操作。

強化學習（3學分）

本科目系統介紹強化學習的理論框架與核心技術，包括馬可夫決策過程（MDP）、動態規劃、蒙地卡羅方法、時間差分學習（Q-learning、SARSA）、策略梯度與深度強化學習（DQN、A3C）。並探討其於遊戲、機器人及推薦系統的應用。

時間序列分析（3學分）

本科目聚焦時間序列資料的分析與建模方法，包括平穩性、自相關、ARIMA模型、指數平滑、頻譜分析，以及基於機器學習與深度學習的預測與異常偵測技術。

應用範圍涵蓋金融、氣象及物聯網等領域。

數據挖掘（3學分）

本科目教授從大型資料中發掘知識與模式的技術，包括資料預處理、關聯規則、分類、分群及異常偵測等。透過案例分析，培養學生運用資料探勘解決實際問題的能力。

隨機過程（3學分）

本科目提供分析隨機動態系統的數學工具，內容包括機率論回顧、馬可夫鏈、卜瓦松過程、更新理論、排隊理論及布朗運動等。並探討其於機器學習、運籌學及金融工程的應用。

人工智能前沿專題（3學分）

介紹人工智能最新研究方向與技術發展，如可信AI（公平性、可解釋性、穩健性）、AutoML、元學習、圖神經網絡、量子機器學習及大型語言模型等。

採用研討及論文閱讀形式，激發學生研究興趣。.

人工智能應用專題（3學分）

聚焦AI於產業及跨領域的實務應用，如智慧醫療、金融科技、智慧製造、自動駕駛及智慧城市等。透過案例與專案實作，培養技術選型與應用落地能力。

人工智能系統專題（3學分）

探討大型AI系統的建構與部署，包括數據工程、模型壓縮、分散式訓練、AIOps及機器人系統等。涵蓋ROS、感測器融合、SLAM及模擬到現實技術，強調工程實務能力。

文獻綜述與論文提案（2學分）

本科目為碩士論文準備階段，指導學生確立研究主題，進行文獻回顧，辨識研究缺口並提出研究問題。最終完成正式論文提案，包括研究目標、方法及時程規劃。

社會倫理與學術專題（1學分）

本科目探討人工智能與社會、法律及倫理的交叉議題，包括公平性、透明度、資料隱私與演算法偏見等。結合專題研究，讓學生從實際案例或政策分析中培養具責任感的AI應用能力。