跳到主要內容區塊

臺大工業工程學研究所

領域專長模組

學習目標與預期學習效益

資料與決策科學乃根基於工業工程與管理學門的核心學科:作業研究 (Operations Research, OR),OR課程原涵蓋的範圍相當廣泛,從資料研讀分析、數學規劃模型設計、最佳化方法求解、實驗規劃與分析決策等,一般大學課程往往只規劃在六學分、甚至三學分內,將整個OR課程教授給學生,以致於學生很難在一兩個學期內,融會貫通資料分析與決策系統的關聯與重要性,藉由本模組的設計、推廣,將提供本校大學部高年級及研究所學生,跨修習以資料分析與最佳化理論為基礎之決策科學,使其在大學或碩士畢業投入職場後,體會到在不同領域如製造、服務、管理、社會系統等面臨到的決策難題,可在本模組的知識體系架構下,有系統地分析與解決。

課程架構

本模組將分三階段涵蓋基礎先修課程、理論課程及方法與實務應用課程,結合理論方法與實務課程,培養修習「資料與決策科學」領域專長模組學生的決策分析能力,目前規劃每門課程皆為必修之三學分,依照Level 1、2、3之順序完成模組共可獲得15學分。

  1. 基礎課程 (三學分):
    1. 最佳化概論 
      包含數學分析基礎、線性規劃及相關最佳化決策應用問題。本課程為修習最佳化方法的理論基礎,涵蓋確定性模型和方法,可用於解決資源配置、組合規劃、供應鏈規劃、風險管理、運營調度、和政策分析。
  2. 理論課程 (六學分):
    1. 動態規劃與應用
      探討如何解決順序決策問題;理解最優化原則;瞭解如何將隨機性因素放入順序決策過程中;建構並解決無限馬可夫決策問題;展示各類動態最佳化問題的最合適決策架構
    2. 資料分析方法
      讓學生認識資料本質及各類分析方法的適用性,瞭解如何進行資料清洗、預處理、特徵工程與建模分析,學習使用Python或R完成整個知識萃取的工作流程,最後並須解釋分析結果與其可能潛藏之物理意義。
  3. 方法與實務應用課程 (六學分):
    1. 生產與作業排程
      主要著重在製造系統中的排程方法,引導同學如何將問題重新公式化以得出較好的結果,並且理解不同演算法的有效性。
    2. 統計管制與最佳化方法概論
      介紹如何利用統計方法來監管與最佳化生產過程 (production processes) 或作業流程 (operation processes)。本課程的第一部分首先介紹統計推論方法,課程的第二部份利用統計檢定方法來發展出統計管制方法,課程的第三部份則利用實驗設計方法與統計迴歸分析來發展出最佳化方法。

藉由將課程統合至跨域專長模組,並將該領域中重要的概念或主題,導入各堂課程中,強化課程間的連結。進而引導學生有系統地學習資料與決策科學方法及相關應用。

 

學習目標與預期學習效益

「線性代數與應用」、「工程統計學」 及「隨機過程」三門課程的內容涵蓋了數據分析(或大數據分析) 中最重要的基礎與理論,可惜的是,目前本校學生只能在各個學院中挑選類似的課程來學習這些專業知識,這也常常造成學生們在面對問題時一知半解的窘境。本所「數據分析-理論與應用」領域專長模組的規劃設計主要就是為了整合分享所有的教學資源,以這三門課程的內容為基礎來幫助學生有組織、有系統、有步驟的學習資料分析的相關知識。 除此之外,本模組的總整課程「資料分析方法」介紹了各種資料分析方法及理論的延伸與應用,一方面可以驗收學生對本模組基礎課程的學習成效,也可以幫助學生銜接本所另一領域專長模組「資料與決策科學」,進一步了解數據分析的應用及進入職場後在實務操作與決策面上會遭遇的問題。

課程架構

本模組目前規劃的課程皆為必修3學分,依照Level 1、2、3 的順序完成後共可獲得12學分,課程內容及其他說明如下。

  1. 基礎課程 (6學分):
    1. 線性代數與應用
      包含數學代數基礎及如何利用矩陣來表示高維度的資料結構,並利用矩陣的各種運算特性和理論對資料的複雜結構進行分析,找出有用的資訊。此課程為多變量資料分析及大數據分析的最基本工具。
    2. 工程統計學
      介紹如何利用各種不同的基本統計工具來分析與時間無關聯性的產業資料,內容包括敘述型和推論型的統計方法。所有的推論型統計方法是以抽樣資料的不確定性為基準, 並配合不同的機率或大樣本理論進行分析。
  2. 理論課程 (3學分):
    1. 隨機過程
      介紹如何利用各種不同的機率模型來分析與時間具關聯性的產業資料,此類型的資料分析方法在智慧製造、物聯網、 經濟決策及智慧城市相關的各種應用(如自駕車與電力資料分析等)中是不可或缺的工具。
  3. 方法與實務應用課程 (3學分):
    1. 資料分析方法
      讓學生認識資料本質及各類分析方法的適用性,瞭解如何進行資料清洗、預處理、特徵工程與建模分析,學習使用Python或R完成整個知識萃取的工作流程,最後並須解釋分析結果與其可能潛藏之物理意義。