機器學習與生醫應用

Machine learning and biomedical application

學期

115-1

學分

3 學分

當期課號

132610

永久課號

BEBN20023

開課單位

光電博士學位學程(台灣聯合大學系統)、數位醫療學士學位學程、資訊學院科技犯罪偵查資通訊碩士在職專班、生醫光電研究所、理學院科學學士學位學程

授課教師

吳育德

校區

陽明

類別

選修

上課時間表

節	週一
7 15:30–16:20	機器學習與生醫應用 YL403（陽明） 3 節連堂
8 16:30–17:20
9 17:30–18:20

* 根據陽明交大上課時間表所列

概述

本課程介紹機器學習的基本理論、常用演算法與實際應用，內容涵蓋資料降維、分群、迴歸、分類與集成學習等主題。透過課堂講授與影音教材，使學生逐步建立機器學習模型的基本觀念，並理解各類演算法的原理、適用情境及優缺點。 Lecture 01　機器學習簡介（Introduction to Machine Learning）介紹機器學習的基本概念、主要類型，包括監督式學習、非監督式學習及常見應用，並說明模型訓練、驗證與測試的基本流程。 Lecture 02　主成分分析（Principal Component Analysis, PCA）介紹 PCA 的數學原理與降維概念，說明如何利用資料變異量找出主要特徵方向，以及其在資料視覺化與特徵壓縮上的應用。 Lecture 03　獨立成分分析（Independent Component Analysis, ICA）介紹 ICA 的基本概念與統計獨立性，說明如何將混合訊號分離為彼此獨立的來源訊號，以及其在訊號處理與生醫資料分析上的應用。 Lecture 04　線性判別分析（Linear Discriminant Analysis, LDA）介紹 LDA 的分類與降維原理，探討如何最大化類別間差異並最小化類別內差異，以提升資料的分類能力。 Lecture 05　K-means 分群（K-means Clustering）介紹非監督式學習中的 K-means 分群演算法，包括群中心初始化、距離計算、迭代更新與群集結果評估。 Lecture 06　K近鄰演算法（K-Nearest Neighbors, KNN）介紹 KNN 分類方法，說明距離度量、鄰居數 K 的選擇，以及不同參數對分類結果的影響。 Lecture 07　線性迴歸（Linear Regression）介紹線性迴歸模型、最小平方法、模型參數估計與誤差分析，並延伸討論模型擬合與預測的基本概念。 Lecture 08　二元分類（Binary Classification）介紹二元分類問題的基本架構，包括分類決策、機率估計，以及 Accuracy、Sensitivity、Specificity、Precision、ROC/AUC 等常用評估指標。 Lecture 09　貝氏分類器（Bayesian Classifier）介紹貝氏定理與機率式分類方法，說明先驗機率、似然函數及後驗機率，並介紹常見的 Bayesian classification 方法。 Lecture 10　類神經網路分類（Classification Using Neural Networks）介紹人工神經網路的基本架構，包括神經元、權重、活化函數、前向傳播與反向傳播，並說明如何利用神經網路進行分類。 Lecture 11　EM 分群（Expectation-Maximization Clustering）介紹 Expectation-Maximization 演算法的基本概念，說明 E-step 與 M-step 的反覆估計過程，以及其在 Gaussian Mixture Model 分群中的應用。 Lecture 12　支持向量機（Support Vector Machine, SVM）介紹最大間隔分類、支持向量與決策邊界，並說明 Kernel 方法如何處理非線性分類問題。 Lecture 13　決策樹（Decision Trees）介紹決策樹的建立方法，包括節點分割、資訊增益、Gini Index、樹的深度控制與剪枝，以及決策樹的優缺點。 Lecture 14　AdaBoost 介紹 Boosting 與集成學習的概念，說明 AdaBoost 如何反覆調整錯誤分類樣本的權重，整合多個弱分類器形成較強的分類模型。課程學習目標完成本課程後，應能理解機器學習的基本架構與重要演算法，掌握資料降維、分群、迴歸及分類方法，並能根據不同資料特性與研究問題選擇適當的機器學習模型，同時具備基本的模型效能評估與結果解讀能力。

先修科目

本課程適合大學部高年級及研究所學生修習。建議具備下列基礎能力：微積分與線性代數基礎：熟悉函數、微分、向量、矩陣、特徵值與特徵向量等基本概念。機率與統計基礎：了解機率分布、期望值、變異數、條件機率及貝氏定理等基本概念。基本程式設計能力：具備 Python、MATLAB 或其他程式語言之基本程式設計與資料處理能力。基本數值分析與資料分析能力：能進行簡單的資料視覺化、數值運算及結果判讀。

備註

無備註

教學方式

教師未提供此項資料

評分方式

作業50%, 課堂報告(每位同學準備1-2篇2025年之後發表與機器學習生醫應用相關的期刊論文在課堂上報告一次，報告時間15分鐘) 20%, 期末專題30%，無期中期末考。

課程大綱

教師未提供此項資料

週次計畫

週次	主題
第 1 週	Lecture 01　機器學習簡介（Introduction to Machine Learning）時數：[2026-09-07]吳育德(3.00)
第 2 週	Lecture 02　主成分分析（Principal Component Analysis, PCA）時數：[2026-09-14]吳育德(3.00)
第 3 週	Lecture 03　獨立成分分析（Independent Component Analysis, ICA）時數：[2026-09-21]吳育德(3.00)
第 4 週	Lecture 04　線性判別分析（Linear Discriminant Analysis, LDA）時數：[2026-09-28]吳育德(3.00)
第 5 週	Lecture 05　K-means 分群（K-means Clustering）時數：[2026-10-05]吳育德(3.00)
第 6 週	Lecture 06　K近鄰演算法（K-Nearest Neighbors, KNN）時數：[2026-10-12]吳育德(3.00)
第 7 週	Lecture 07　線性迴歸（Linear Regression）時數：[2026-10-19]吳育德(3.00)
第 8 週	期中考週時數：[2026-10-26]吳育德(3.00)
第 9 週	Lecture 08　二元分類（Binary Classification）時數：[2026-11-02]吳育德(3.00)
第 10 週	Lecture 09　貝氏分類器（Bayesian Classifier）時數：[2026-11-09]吳育德(3.00)
第 11 週	Lecture 10　類神經網路分類（Classification Using Neural Networks）時數：[2026-11-16]吳育德(3.00)
第 12 週	Lecture 11　EM 分群（Expectation-Maximization Clustering）時數：[2026-11-23]吳育德(3.00)
第 13 週	Lecture 12　支持向量機（Support Vector Machine, SVM）時數：[2026-11-30]吳育德(3.00)
第 14 週	Lecture 13　決策樹（Decision Trees）時數：[2026-12-07]吳育德(3.00)
第 15 週	Lecture 14　AdaBoost 時數：[2026-12-14]吳育德(3.00)
第 16 週	期末專題報告時數：[2026-12-21]吳育德(3.00)

教科書

1.SEBASTIAN LIU YUXI (HAYDEN) MIRJALILI VAHID RASCHKA - MACHINE LEARNING WITH PYTORCH AND SCIKIT-LEARN 2.Andrew Glassner - Deep Learning, Vol. 1_ From Basics to Practice-www.glassner.com (2018) 3.A first course in machine learning-CRC Press (2017) 4.Christopher M. Bishop - Pattern Recognition and Machine Learning-Springer (2011) 5.Mastering Machine Learning with Python in Six Steps_ A Practical Implementation Guide to Predictive Data Analytics Using Python-Apres

Office Hours

地點: 第一次上課實體(圖資403)和視訊http://meet.google.com/scw-fjnf-ums並行，之後授課以google meet 視訊方式進行http://meet.google.com/scw-fjnf-ums
時間: 請先和助教約時間
聯絡方式: 教師未提供此項資料