
我對本課程有興趣
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
• 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》
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
- ►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
- ►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
-
※深度學習實作以 Keras、TensorFlow 深度學習平台為主
師資介紹
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 |
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 |
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!