數據科學與雲端運算

深度學習讓人們對人工智慧的應用又燃起希望,它與傳統的機器學習不同之處在於數據越多,性能越好,因此發展人工智慧的基礎是大數據管理。理想上不但要讓數據符合AI-ready的標準,也要達到FAIR的原則。所謂AI-ready是要符合標準的交換格式,所以用同樣的程式,可以讀取各種不同來源的數據。例如在生物醫學領域,快速健康照護互通資源(Fast Healthcare Interoperability Resources, FHIR)以成為一個重要的國際標準。所謂FAIR的原則是數據中心追求的目標,它代表可被找到(findable)、可被取得(accessible)、具交換性(interoperable)、與可被再利用(reusable)。一個現代的數據中心需要與雲端計算資源並存,避免數據一再地在一般的網路上搬移,因此才有數據共享區(data commons)的概念成形。數據共享區的入口網一方面要提供介面讓使用者探索數據,另一方面也要讓挑選出的數據能送到雲端設施上計算。因此討論數據科學的同時,也需要瞭解雲端運算。 不論是大數據分析或是人工智慧研究,都需要使用高品質的數據,否則會造成「垃圾進,垃圾出」的現象。根據經驗,收集、清理、與整理資料約需花70~80 %的時間,剩下的才是分析資料的時間。因此數據科學的基礎是如何有效率地取得高品質的數據,然後才能利用視覺化或商業智慧的軟體,找到做決策所需的關鍵資訊。在資訊領域,「不要重新發現輪子」是一個重要的觀念。因此在發展數據科學、或人工智慧時,應儘量善用現有的工具,而不是一切從頭做起。

生命科學院的辦學理念是以營造優質的學術氣氛,培育一流的知識份子與研究人才為目標。特別著重以下能力與素養之培養:1)獨立思考的能力;2)團隊合作與解決問題的能力;3)跨領域學習及整合能力;4)從事尖端生命科學研究的能力;5)科學倫理之素養。生物醫學資訊所進行跨領域的研究與教學,提供許多課程讓同學朝著從事尖端生醫資訊學研究的方向努力,並協助同學取得整合資訊,獨立思考,與解決問題的能力。因此設計本課程讓同學能活用在本所課程所學,達到學以致用的層次。

1.本課程以小考、習題、期中考與期末報告方式評量同學學習成效。 2.上課時可能進行小考或有習題。小考、習題、期中考佔總成績60 %,期末報告佔總成績40 %。