CubicPower晶智能中心 教學機器人 電機資訊學院  機器學習／資料科學學系 科系課程簡介

規劃製作: 夏肇毅

日期: 2026/8/17 初版

科系:

機器學習／資料科學學系

科目:

機器學習技術與應用簡介、AI應用規劃師中級機器學習技術與應用、監督式學習簡介、半監督學習簡介、自監督學習簡介、非監督式學習簡介、深度學習簡介、深度學習專題簡介、支持向量機簡介、隨機森林簡介、梯度提升模型簡介、XGBoost簡介、集成學習簡介、生成對抗網路GAN簡介、聯邦學習簡介、泛化模仿機制簡介、知識蒸餾簡介、推理模型簡介、機器學習理論簡介、圖神經網路簡介、多模態人工智慧簡介、大型語言模型簡介、Transformer架構簡介、視覺語言模型VLM簡介、自然語言處理專題簡介、語音辨識技術簡介

簡介:

機器學習／資料科學學系以資料驅動模型建立為核心，強調從資料取得、特徵工程、統計學習到模型訓練與效能評估的完整流程。課程由監督式、半監督式、自監督式與非監督式學習建立學習典範，使學生理解分類、迴歸、分群、表示學習與資料標註等基本問題。支持向量機、隨機森林、梯度提升、XGBoost與集成學習等課程則讓學生掌握傳統機器學習的重要模型，並比較模型複雜度、泛化能力、可解釋性與實務效能。深度學習課程進一步介紹神經網路、表徵學習及大規模模型訓練，並延伸至GAN、圖神經網路、多模態AI、大型語言模型、Transformer與VLM。自然語言處理與語音辨識則將模型能力延伸至文字與語音資料，使學生能處理非結構化資訊。聯邦學習則導入分散式資料環境下的隱私保護與模型協作問題；知識蒸餾與模型壓縮則處理模型部署效率。泛化模仿與推理模型則代表機器學習逐漸從單純預測走向更強的抽象、模仿與推理能力。教學應重視資料品質、訓練驗證、交叉驗證、偏差與變異、模型解釋、資料洩漏與部署監控。未來發展將集中於大型模型、AI Agent、多模態學習、圖學習、聯邦AI、Edge AI及自動化機器學習，人才需求也將由傳統資料分析師擴展至ML Engineer、Data Scientist、AI Research Engineer與模型部署專家。