本課程的目標是培養非資訊科系學生對於機器學習原理、方法和應用的深刻理解。課程將涵蓋基本的機器學習概念，包括監督式學習、非監督式學習等。學生將學習如何選擇和應用不同的機器學習算法來解決實際問題，並理解這些算法的優缺點。除了理論知識，課程還旨在培養學生的實務能力。學生將會進行實際的機器學習商用軟體的操作，從數據前處理到模型訓練和評估，最終實際的應用在光電材料領域。透過這些實作項目，學生將不僅提升他們的技術技能，還將培養解決複雜問題和進行跨學科合作的能力。
機器學習(一)
Chapter 1: 什麼是機器學習？
Chapter 2: 機器學習的類型
Chapter 3: 線性迴歸
Chapter 4: 最佳化訓練過程：配適不足、過度配適、測試和正規化
Chapter 5: 感知分類器
Chapter 6: 邏輯分類器
Chapter 7: 分類模型評估
Chapter 8: 單純貝氏分類模型(NB)
Chapter 9: 線性區別分析(LDA)
Chapter 10: 決策樹(Decision tree)
Chapter 11: K-近鄰演算法(KNN)
Chapter 12: 支援向量機和核方法(SVM)
Chpater 13 交叉驗證(CV)
Chapter 14 主成份分析(PCA)
Chapter 15 機器學習之光電/電子應用
機器學習(二)
Chapter 1: 類神經網路(一):多層感知器
Chapter 2:類神經網路(二):時間序列資料
Chapter 3:類神經網路(三):分類
Chapter 4:類神經網路(四):迴歸
Chapter 5:類神經網路的優化與調教(一)
Chapter 6:類神經網路的優化與調教(二)
Chapter 7:類神經網路的優化與調教(三)
Chapter 8:類神經網路的訓練攻略
Chapter 9:捲積神經網路(CNN)
Chapter 10:循環神經網路(RNN)
