1101學期 課程基本資料/Course Information
系所 / 年級
課號 / 班別
學分數
選 / 必修
科目中文名稱
科目英文名稱
主要授課老師
開課期間
人數上限
已選人數
課程種類
課程類別
學程
全英授課
起始週 / 結束週 / 上課地點 / 上課時間
第1週 / 第18週 / H103 / 星期3第5節
第1週 / 第18週 / H103 / 星期4第8節
第1週 / 第18週 / H103 / 星期4第9節
第1週 / 第18週 / H103 / 星期4第8節
第1週 / 第18週 / H103 / 星期4第9節
請各位同學遵守智慧財產權觀念；請勿非法影印。
Please observe Intellectual Property Rights (IPR), not to make illegal copies.
教學綱要/syllabus
第一部分/Part I(※依課程委員會審議之內容決議填入)
一、教學目標所要達成之能力培養項目:
[依據課程委員會審議通過之課程與基本素養/核心能力關聯表填寫]
| Item | 基本素養/核心能力 Core Literacy/Core Competencies | 相關性 Relevance | |
| 高度相關 | 中度相關 | ||
| 1 | 具備電腦基礎理論與實作能力 | . |
. |
| 2 | 具備邏輯分析與程式設計能力 | . |
. |
| 3 | 擁有使用資訊技術來分析解決相關問題之能力 |  |
. |
| 4 | 具備至少一項專業學程之知識及技術能力 | |
. |
| 5 | 具備團隊協調合作之能力 | . |
. |
| 6 | 具備人文通識與專業倫理認知之能力 | . |
. |
| 7 | 具備學習資訊工程相關新知和因應領域發展趨勢之能力 | . |
. |
| SDGs Item | SDGs目標 SDGs goal |
SDGs描述 SDGs description |
| 無相關項目 No related items |
||
二、教學目標
(Objective)
隨著資訊科技產業的蓬勃發展，各種計算與儲存的資料正快速地產生與累積。如何充分掌握不斷變動的各種大量非結構化資料以及如何釐清數據間錯綜複雜的關聯與因果以從資料中發掘有價值的知識為當代資料科學的核心價值。
2.技能面[使學生能獲得運用與實做本課程理論與概念之技巧]：
本課程教授應用於相關專業領域或產業發展的資料科學學理與技術。
3.情意面[能引發學生對本課程之興趣，激發學生學習動機，增加觸類旁通與自主學習]：
結合資訊科學、數學與統計、高效能計算與實際問題應用。具備到學術界從事高品質的研究與教學工作，或到工業界從事開創性的高階研發與加值工作的能力。利用資料科學知識解決其它領域問題的機會，有助整體科學研究的提升。
三、符合教學目標之課程內容設計
四、先修科目
(Pre Course)
第二部分/Part II
一、多元教學方法
(Teaching Method)
| 由學生自訂學習目標與抱負水準 | 案例或故事討論 | 講述 | |
| 學生課後書面報告 | 小組討論 | 學生上台報告 | 腦力激盪 |
| 學生實作 | 角色演練 | 習題練習 | 影片欣賞與討論 |
| 採訪 | e化教學 | 審議式民主 | 觀察與資料收集 |
| 一分鐘回饋 | 磨課師課程 | 翻轉教學 | 其他 |
| 企業參訪 | 與課程有關之實務學習 | 見習 | 實習 |
| 協同教學 | 服務學習課程 | 其他系課程委員會核定之實務學習項目 | 以「技能導向」的教學設計 |
| 以「病人為中心」的教學設計 | 問題導向教學法 | 設計導向教學法 | 專題導向教學法 |
| 總結性教學法 | 同步和非同步設計 | 整體課程鷹架設計 | 問題導向設計 |
| 主題或個案討論 | 數位説故事 | 引導學生有效學習策略（如，WSQ, WPAQ, SQ3R） | 群體決策（線上投票） |
| 同儕合作專題學習 | 同儕回饋 | 同儕亙評 | 同儕出題 |
| 同儕師徒制（高分和低分一組） | 同儕透過網路協作共同完成作業或專題 | 小組報告 | 小組競賽 |
| 課堂中每段落實施簡易小測驗 | 學生訂正學習策略 | 學生學習行為增強措施 | 課堂末回饋（學生回饋學習心得和疑問） |
| 學生線上學習歷程分析 | 線上搶答 | ||
二、多元教學方法與教育目標的連結
| 您所勾選之教學方法與何種基本素養/核心能力有關? | 3 | 4 |
| 1.小組討論 | 2.學生上台報告 | 3.學生實作 | 4.e化教學 | 5.一分鐘回饋 | 6.專題導向教學法 |
三、參考書目 (Reference)
[符合教學目標之參考書目]
| 中文參考書目 | 1. Frank Kane, Hands-On Data Science and Python Machine Learning, Packt Publishing, UK, July 2017. 2. Frank Kane原著，陳光欣譯，Python資料科學與機器學習，博碩文化，2021.08。 3. Joel Grus, Data Science from Scratch, O’Reilly, 2015. |
| 英文參考書目 | 1. Frank Kane, Hands-On Data Science and Python Machine Learning, Packt Publishing, UK, July 2017. 2. Joel Grus, Data Science from Scratch, O’Reilly, 2015. |
四、教學進度
(Syllabi)
[符合教學目標之教學進度]
| 日期 (Date) |
授課內容 (Course Contents) |
授課教師 (Teacher) |
核心能力 | 授課方式 (Teaching methods) |
|
| 3 | 4 | ||||
| 2021/9/13 | 資料科學課程介紹 Introduction to Data Scicence |
龔自良 | |||
| 2021/9/20 | Python程式語言 A Crash Course in Python |
龔自良 | |||
| 2021/9/27 | Visualizing Data Visualizing Data |
龔自良 | |||
| 2021/10/4 | Linear Algebra Linear Algebra |
龔自良 | |||
| 2021/10/11 | Statistics & Probability Statistics & Probability |
龔自良 | |||
| 2021/10/18 | Hypothesis and Inference Hypothesis and Inference |
龔自良 | |||
| 2021/10/25 | Gradient Descent Gradient Descent |
龔自良 | |||
| 2021/11/1 | Getting Data Getting Data |
龔自良 | |||
| 2021/11/8 | 期中作業(期中考週) Midterm |
龔自良 | |||
| 2021/11/15 | Working with Data Working with Data |
龔自良 | |||
| 2021/11/22 | Machine Learning Machine Learning |
龔自良 | |||
| 2021/11/29 | k-Nearest Neighbors k-Nearest Neighbors |
龔自良 | |||
| 2021/12/6 | Linear Regression Linear Regression |
龔自良 | |||
| 2021/12/13 | Logistic Regression Logistic Regression |
龔自良 | |||
| 2021/12/20 | Clustering Clustering |
龔自良 | |||
| 2021/12/27 | Network Analysis Network Analysis |
龔自良 | |||
| 2022/1/3 | Natural Language Processing Natural Language Processing |
龔自良 | |||
| 2022/1/10 | 期末專題報告 Final |
龔自良 | |||
五、多元評量方法
(Evaluation)
[所勾選評量方法之評分加總為100分]
| 評量方式 | 分數 | 評量方式 | 分數 |
| 實作測驗 | 0 | 期中筆試 | 0 |
| 隨堂筆試測驗 | 0 | 期末筆試 | 0 |
| 小組作業 | 10 | 期中報告 | 30 |
| 服務日誌 | 0 | 期末報告 | 20 |
| 口試 | 0 | 專題報告 | 20 |
| 個人上台報告 | 0 | 實作作品與反思 | 0 |
| 小組上台報告 | 0 | 前後測比較進步與成長 | 0 |
| 出席狀況 | 20 | 課堂參與與表現 | 20 |
| 心得與反思報告 | 0 | 其他 | 0 |
六、多元評量方法與教育目標的連結
| 您所勾選之評量方法與何種基本素養/核心能力有關? | 3 | 4 |
| 1.小組作業 | ||
| 2.期中報告 | ||
| 3.期末報告 | ||
| 4.專題報告 | ||
| 5.出席狀況 | ||
| 6.課堂參與與表現 |