Integrated Credit Program in Artificial Intelligence and Mathematics
人工智慧與數學學程 2018,12,23
學程目的:以數學基礎出發,學習關於人工智慧應用所需的原理及計算機程式運用,培養在人工智慧應用上遇到不同的問題時,能提供解決問題方法或開發新人工智慧技術。
修讀對象: 理工管院碩士班學生以及大二以上之學士班學生。
申請日期:依照學校行事歷規定日期申請修讀本學程。
申請方式:至整合學程線上申請系統填單、列印→連同歷年成績單正本向所屬系所主管提出申請審查→加修學程負責人審查→教務處登錄。
|
開課單位 |
課 程 名 稱 |
學分數 |
備註 |
核 心 課 程 |
應數系或電機系 |
線性代數(一) |
3 |
|
應數系或電機系 |
微積分(一) |
3(4) |
【*詳見備註1】 |
|
應數系 |
機率論(一) |
3 |
|
|
應數系 |
統計學(一) |
3 |
【*管院學生詳見備註2】 |
|
應數或電機或資工 |
計算機程式 |
3 |
|
|
應數系 |
人工智慧原理 |
3 |
|
|
應數系 |
Python與機器學習之理論實現 |
3 |
|
|
核心課程〈專業模組課程〉學分數:21(22)學分 |
||||
選 修 |
應數系 |
線性代數(二) |
3 |
|
應數系或電機系 |
微積分(二) |
4(3) |
|
|
應數系 |
離散數學(一) |
3 |
|
|
應數系 |
離散數學(二) |
3 |
|
|
應數系 |
機率論(二) |
3 |
|
|
應數系 |
統計學(二) |
3 |
【*管院學生詳見備註2】 |
|
應數系或資工系 |
演算法 |
3 |
|
|
應數系或資工系 |
資料結構 |
3 |
|
|
應數系 |
統計學習與資料探勘 |
3 |
|
|
應數系 |
流形學習基礎 |
3 |
|
|
應數系 |
數值分析(一) |
3 |
|
|
應數系 |
數值分析(二) |
3 |
|
|
電機系 |
人工智慧語言-Prolog |
3 |
|
|
電機系 |
類神經網路導論 |
3 |
|
|
電機系或資工系 |
語音訊號處理 |
3 |
|
|
資工系 |
網際網路資料庫 |
3 |
|
|
資工系 |
無線網際網路 |
3 |
|
|
資工系 |
影像處理 |
3 |
|
|
總學分數:至少30學分 |
||||
備註: |
學程負責老師:應數系董立大教授(SC2002-6研究室,分機3832,E-mail:ldtong@math.nsysu.edu.tw)
課程詢問:胡瓊文小姐(應數系辦公室,分機3801,E-mail:hucw@math.nsysu.edu.tw)
人工智慧所需要的數學
人工智慧的基礎數學課程: 線性代數, 微積分, 離散數學,機率,統計.
深入的運用所需的數學課程:幾何,微分幾何,最優化,代數,高等微積分,實變數函數論, 複變數函數論,微分方程,偏微分方程,數值分析等.
以下說明幾個應用課程內容(非全部的應用關係):
- 線性代數(Linear Algebra):
- 微積分(Calculus):
- 離散數學(Discrete Mathematics):
- 機率與統計(Probability Theory and Statistics):
Vector spaces and operations: building models for neural networks, linear regression, CNN, RNN.
Linear transformation: neural networks
Diagonalization: principal component analysis
Inner product, norms: optimization methods, k-means classifiers
Singular value decomposition: support vector machine, principal component analysis, latent semantic analysis
Differentiation and integration: a model for neural network, optimization methods
Gradient: optimization methods
Multivariate calculus: build a model for neural network.
Combinatorics: optimization methods, decision trees, logistic regression
Graphs: build a model, k-mean classifier, decision trees, CNN
Searching algorithms: approach method, decision trees
Finite state machine: neural networks, CNN, RNN
Fundamental statistical and probability theory: decision trees
Probability rules, Bayes’ theorem, random variables: naïve Bayes classifiers
Variance and expectation: naïve Bayes classifiers, decision trees
Conditional and joint distributions: decision trees
Standard distributions (Bernoulli, binomial, multinomial, uniform and gaussian): cross-entropy method