對本系同學來說，除了 Module 3 線性代數可能稍難一些（仔細看影片教學也不會太難），其餘內容屬於大一微積分與大二統計課程內容，大三以上同學可以嘗試自學這門課程，再進行測驗
PS 這門課程名稱雖有 Python，但完全沒用到程式語言，大家可以放心練習
【Essential Math for Machine Learning: Python Edition 】課程，科目代號 DAT256x
成績計算方式 (Pass 70%)
Lesson Review 0%（不限次數）
Assessment 100%（一次機會）
► 課程內容
機器學習和人工智慧所需要用到的基礎數學內容，包括微積分、線性代數、機率、統計、和最適化等。本課程內容分為四部份：
Module 1 : Equations, Graphs, and Functions 方程式、繪圖、函數
Lesson 1: Algebra Fundamentals 基礎代數（一元一次方程式、線性方程式（斜率、截距）繪圖、聯立方程式）
Lesson 2: Quadratic Equations and Functions 二項式與函數（指數、根號、對數、多項式、因式分解、極值）
Module Assessment 7 題 (25%)
Module 2 : Derivatives and Optimization 微分與最適化
Lesson 1: Differential Calculus Foundations 基礎微分（最適化、極限、基礎微分）
Lesson 2: Differentiation and Derivatives 微分和導函數（一階與二階導函數、遞增/減、偏微、定/積分）
Module Assessment 6 題 (25%)
Module 3 : Vectors and Matrices 向量和矩陣（基礎線性代數）
Lesson 1: Vectors 向量（向量四則運算）
Lesson 2: Matrices 矩陣（矩陣四則運算）
Module Assessment 5 題 (25%)
Module 4 : Statistics and Probability 統計與機率
Lesson 1: Statistics Fundamentals 基礎統計（數值/類別變數、母體與樣本、參數與統計量、敘述統計（資料可視化-統計圖、基本統計量-中心位置與離散程度、分配）
Lesson 2: Probability 機率（條件機率、二項分配）
Module Assessment 7 題 (25%)
參考教材：林素菁(2017)，統計學，全華圖書出版，Ch 1, 2, 4, 5