| 課程名稱： | 自然語言處理與輿情分析 |
課程英文名稱： | Natural language processing and public opinion analysis | ||||||||
|
教學目標：
知識（Knowledge）： 理解自然語言處理（NLP）的核心概念、發展歷史、語料庫建構理論，以及深度學習模型（如 RNN、Transformer、BERT、GPT）的運作原理。 技能（Skills）： 掌握文本預處理、詞嵌入（Word Embeddings）、語意與情感分析、變分自編碼器（VAE/GAN）及輿情探勘實作技術，並具備運用 Python（NLTK）進行自然語言處理的程式實作能力。 態度（Attitudes）： 培養面對非結構化文本數據的敏銳洞察力，並建立負責任的數據蒐集、隱私保護與 AI 技術應用之專業倫理。 其他（Others）： 養成運用 NLP 技術解決實際商務輿情議題之能力、前沿技術研究探索力與專題簡報溝通技能。
|
|||||||||||
|
教材大網：
課程介紹與 NLP 基礎
SDGs 主題導入、課程目標說明、自然語言處理發展歷程與基礎概念
教學參考節數: 2
NLP 工作流程與應用場景
自然語言處理核心應用場景解析、NLP 標準工作流程與建構架構
教學參考節數: 2
語言學基礎與句法解析
語義分析、詞性標註（POS Tagging）與句法結構解析（Syntax Parsing）
教學參考節數: 2
語料庫與語言資源管理
語料庫種類與定義、常見公開語料庫介紹、語料庫建立與標註實務
教學參考節數: 2
文本預處理技術
文字清洗、斷詞、停用詞過濾與文本標準化技術處理
教學參考節數: 2
詞嵌入與特徵向量化
詞嵌入（Word Embeddings）技術原理、Word2Vec 與文本向量表示法
教學參考節數: 2
序列模型與文本處理
序列模型架構、循環神經網絡（RNN/LSTM）於文本之應用
教學參考節數: 2
深度學習在 NLP 之應用
神經網絡基礎、深度學習演算法於自然語言處理之整合應用
教學參考節數: 2
深度模型應用延伸
深度學習模型優化與 NLP 實務案例解析
教學參考節數: 2
期中學習評估
期中筆試測驗
教學參考節數: 2
期中成果復習與回顧
期中考題解析、學習成效檢討與實作補強
教學參考節數: 2
生成模型與文本生成
變分自編碼器（VAE）與生成對抗網絡（GAN）於文字生成之應用
教學參考節數: 2
注意力機制與 Transformer
Attention 機制原理、Transformer 核心架構與預訓練語言模型（BERT/GPT）
教學參考節數: 2
輿情分析與文字分類
文字分類演算法、情感分析（Sentiment Analysis）與網路輿情探勘實務
教學參考節數: 2
機器翻譯與多語言處理
機器翻譯（NMT）原理、跨語言文本處理與應用
教學參考節數: 2
對話系統與問答機制
自動問答系統（QA）架構、智能對話機器人（Chatbot）設計
教學參考節數: 2
綜合學習驗收
期末筆試測驗
教學參考節數: 2
前沿研究與未來趨勢
大語言模型（LLM）發展、NLP 前沿研究領域與未來趨勢探討
教學參考節數: 2
|
|||||||||||
基本素養能力圖系科專業能力圖
授課形式分析圖
|
|||||||||||