【補助專班-產業實務演練】AI機器學習與深度學習實戰:艾鍗學院

課程資訊

開課日期

隨時開課

學習時程

42小時

上課時間

週日

上課時段

上午,下午

適用對象

• 需要運用機器學習（Machine Learning）技術改善工廠生產、生產異常判斷、生產排程等專案的您。
• 想學會機器學習與研發分析優化、資料處理之演算法，包含建立統計模型、設計資料分析演算法、測試與調校的您。
• 需要進行大數據建模及程式開發、處理大量結構與非結構資料、應用資料探勘方法建立客戶分群或預測模型的您。
• 沒相關背景但對機器學習與大數據分析有興趣，或是接觸過卻似懂非懂，不知如何開始。
• 想透過機器學習與大數據實戰來結合本業know-how創造藍海優勢的您！歡迎工業、金融、生醫、零售、農業、廣告等產業朋友加入本班。

課程特色

課程特色 :

• 用實作讓你對Machine Leaning的技術豁然開朗 :
本課程強調"How to"，所以課程盡量避免用高深艱澀的理論與機率統計將你淹沒! 改用一些明顯易懂的觀念，讓你能掌握機器學習最核心的觀念與技術本質。為了提升學習的"有感度"，於每一個原理和演算法解說後，都會搭配實際程式範例，來進行上機實作演練。透過講師Step by Step講解，你將可以快速學會數據分析與機器學習的應用方法，包含爬資料、資料重構資、模型建立與優化及分析預測。不再讓您上完課，好像知道很多東西可是卻又不知道從何開始。

•縮短專案時程，確保產出 :
AI已經進入到不同產業，不論在電子、資訊、金融、零售、醫療、通訊、文通、物流等領域，你都可能透過機器學習/深度學習解決過去難以解決的問題。然而這些演算法也並非就是萬靈丹，尤其在資料科學領域，在不對的問題上找答案，往往都是徒勞無功。也許您正在或是未來將接觸AI相關工作，實務上可能會遇到的問題也都可以拿來和講師多交流討論，也將有助於縮短專案時程，確保產出。

詳細內容

課程介紹

本課程以由淺入深，循序漸進的教導AI基礎架構，打下AI基礎學習，是踏入AI學習大門必修課程。你將學會資料處理的Python套件(Numpy、Pandas、Scipy、Matplotlib、Seaborn..)；學會用scikit-learn在應用主題中實現機器學習演算法(Regression、Decision Forest、KNN或Kmeans等)、驗證模型績效，並進行參數調校來優化模型；學會用Keras/TensorFlow搭建深度的神經網路，如卷積神經網路(CNN)、遞歸神經網路(RNN)、強化學習(Reinforcement learning)、生成對抗網路(Generative Adversarial Networks)等，以實現人臉辨識、自然語言對話等AI人工智慧主題。

《AI專家一對一指導，培養跨領域AI職能》

MDL-schematicdiagram

學習目標

會運用Python矩陣計算與資料處理相關模組的能力，如 Numpy、Pandas、Scipy等
會用Python Matplotlib 進行數據視覺化的能力
了解Regression、Classification、Clustering 機器學習相關演算法原理
會用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Neural Network 等等Machine Learning 的實作
會用Keras/TensorFlow 進行DNN、CNN、RNN等深度學習演算法實作
掌握AI人工智慧演算法後，能套用在資料探勘、電腦視覺、自然語言處理、語音和手寫識別等技術領域上

課程大綱

階段1: 認識人工智慧與機器學習實作

►人工智慧導論與熱門AI應用介紹
►機器學習演算法整合實作
- 資料分析流程與實務經驗談
- 精解常見機器學習模型特色與使用時機：Regression 迴歸(正規化與回歸Ridge Regression & Lasso Regression)、生成模型與判別模型、羅吉斯迴歸(Logistic Regression)、單純貝式分類器(Naive Bayes Classifier)、支持向量機(Support Vector Machine)、決策樹(Decision Trees) 、隨機森林(Random Forests)、最近距離分群法(KNN)、K-means等
- OpenCV影像格式與資料結構
►機器學習模型訓練資料建立方法
- 如何避免過擬合(Overfitting) & 欠擬合(Underfitting)
- 交叉驗證法(Cross Validation) & 拔靴驗證法(Bootstrap Validation)
►資料前/預處理基於機器學習中之關鍵
- 資料標準化（Standardization）說明與標準化套件(Scaler)教學
- 降維(Dimension Reduction)：主成分分析(PCA)
  - 主成分分析(PCA) vs T-SNE
- L0、L1、L2正則化效果實作與說明
►判斷模型預測能力的方法：混淆矩陣、準確率(Precison)、覆蓋率(Recall，也叫作召回率)、皮氏F-分數(Piotroski F-Score ，FSC)、ROC曲線、AUC曲線
►主題實作：房價預測、信用卡欺詐檢測、速食店銷售預測、工廠預防性維保之CNC工具磨耗檢測、Titanic鐵達尼號生存率預測、共享單車租借輛預測分析等

※機器學習實作以Scikit Learn進行實作解說

階段2: 深度學習應用實戰

►深度學習導論
- 機器學習 vs 深度學習
- Deep Learning常用GPU介紹：Nvidia GTX 1080Ti…
- GPU配置教學與效能評估
- 框架介紹(TensorFlow、Keras、CUDA… )
►開發環境建置與操作 - Google Colaboratory
- Google GPU環境設定教學 & 常用指令
►神經網路與深度學習架構
- Deeper Neural Network (DNN)說明：
- 專案：神經網路實作、MNIST手寫數字辨識、CIFAR-10實作、乳腺癌診斷分析
►常見深度學習模型解說與演練
- 卷積神經網路(CNN)
- 專案：卡通圖像角色辨識、模型實作(載入模型、訓練模型、新建模型、調整參數、績效評估、Fine-tuning)、圖片辨識、圖片去雜訊
- 遞歸神經網路(RNN)
- 專案：美國國際航空乘客量分析、情緒分析、中英翻譯
- 遷移式學習(Transfer Learning)
- 專案：梵谷畫作風格轉換
- 生成對抗網路(GAN，Generative Adversarial Networks)
- 強化學習(Reinforcement Learning)
- 專案：訓練電腦玩遊戲、機器人運動控制
- 推薦系統(Recommender Systems)
- 發展與部署深度學習系統時，在操作層面上的考量
►深度學習應用主題解說
- 交通號誌辨識
- 主題式物件辨識(object detection)
- 人臉辨識
- 在iPhone上用YOLO model實現人臉偵測
- 不均衡數據處理與奇異值分析(novelty detection / Outlier Detection)實作

PS.實戰演練的範例將會依據產業界的實際狀況進行調整

※深度學習實作以 Keras、TensorFlow 深度學習平台為主

師資介紹

師資介紹

teacher1

Elvis Wu

▪ 美國聖路易大學生物資訊博士 / 交通大學交通運輸 & 資訊管理研究所碩士

▪ 知名國際3C製造大廠人工智慧研發部門主管

▪ 生物資訊 / 自然語言處理 / 統計推論 / 科學計算 / 數據科學 / 資料探勘 / 數值最佳化 / 資料庫巨量資料處理 / 機器學習

teacher1

Jeffery Lin

▪ 台灣大學土木工程研究所博士 / 成功大學土木工程研究所碩士

▪ 知名上市資訊科技大廠大數據部門研發主管

▪ 類神經網路 / 基因演算法 / 最佳化演算法 / 結構力學 / 有限元素法 / 生醫影像處理

teacher1

Tim Liu

▪ 輔仁大學應用科學與工程研究所博士 / 輔仁大學電機研究所碩士

▪ 知名上市電子消費品大廠AI研發部門資深工程師

▪ 機器學習 / 機器人開發 / 密碼學 / 影像壓縮 / 數位訊號處理 / 生醫資訊/生醫影像處理

備註

詳細課程資訊請撥打服務專線:（02）2316-7736
或參考http://bit.ly/2OyQsxs

如您對本課程有興趣，或需相關諮詢，歡迎於下方留下您的聯絡資訊，我們將派專人與您聯繫，感謝您！

開課日期 \|	隨時開課
課程費用 \|	線上洽詢
開課地點 \|	台北市中正區重慶南路一段143號4樓
適合職務 \|

1111進修網