ec

 

 ML&DL new banner
 
 
AI人工智慧課程介紹


AI工程師一對一指導,幫你培養產業所需的AI職能


MDL-schematicdiagram


你是否曾想過,在浩瀚的AI人工智慧領域中,該如何循序漸進培養職場上所需的AI職能呢?而這些AI人工智慧的技術該如何應用在職場上呢?而艾鍗學院AI人工智慧課程的優勢是什麼呢?


從Google買下HTC的手機部門以及Apple發展自己的晶片來看,AI人工智慧的價值最終必須靠硬體實現。而一般培訓單位提供的AI人工智慧教學,少了軟硬整合的學習連結。因此,艾鍗AI人工智慧課程規劃是以AI軟硬整合的角度出發,搭配豐富的硬韌體延伸學習資源,豐富你的AI軟硬體整合職能,實現像是AI嵌入式開發、FPGA邊緣運算開發、AIoT開發、AI人工智慧機器人開發等應用。<經濟日報>報導也提到,以「AI X」加乘台灣製造業軟硬整合之優勢,並強化服務業為新創應用之需求目標,台灣將有機會成為全球產業鏈中的關鍵伙伴。由此可見AI軟硬整合的重要性。因此,為了幫助你在有限時間內培養業界所需的AI人工智慧職能,艾鍗學院特邀擁有豐富實戰經驗的AI人工智慧工程師團隊,從產業對於AI人才需求的角度出發,幫你培養職場上必備的AI人工智慧職能。同時艾鍗學院也提供6大支持,提高你的學習成效,幫助你在浩瀚的AI人工智慧領域中,找到屬於你的AI人工智慧職能方向。


本課程先幫你建立對AI人工智慧在業界應用的正確認知。透過由淺入深的AI人工智慧主題,以及和講師一對一的互動中,循序漸進學會活用資料處理的Python套件(Numpy、Pandas、Scipy、Matplotlib、Seaborn等);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進行AI人工智慧演算法,像是卷積神經網路(CNN)、遞歸神經網路(RNN)、強化學習(Reinforcement learning)、生成對抗網路(Generative Adversarial Networks)等神經網路的搭建,實現如人臉辨識、自然語言處理等深度學習實務應用。所以面對AI人工智慧,與其漫無目的地學習,不如跟著實戰派講師與來自各領域的菁英,一同培養職場上必備的AI人工智慧職能。

 

bulbAI人工智慧小常識(點選展開)

  • 什麼是機器學習(Machine Learning)?

    機器學習是AI人工智慧的其中一個分支,簡單來說它就是讓機器可以像人一樣,可藉由閱讀大量的資料建立規則而具有知識,而機器學習就是透過演算法來分析數據、從中學習來判斷或預測現實世界裡的某些事(專家其實是訓練有素的狗,機器學習大概就是這個味道) 。閱讀已知的大量資料就是所謂訓練的過程,透過足夠多的Training Data 建立出一個 Model (最佳函式), 這個Model  就是"機器的知識",之後你可以餵未知的資料給機器,機器就能進行預測或判斷 。機器學習並非手動事先用程式撰寫好指令規則來判斷,而是使用大量數據和演算法來「訓練」機器,自動產生規則判斷或預測。

  • 什麼是深度學習(Deep Learning)?

    它其實就是很深的Neural Network (Deep Neural Network DNN), 就是中間Hidden Layer 有很多層級。AlexNet 達到8層級, ResNet已達到100多個層級。每建構一個Hidden Layer就代表建立同款式但有著不同花樣的過濾器(Filter)/篩子,以篩出不同的特徵。愈多的Hidden Layer 就代表用了更多款式的篩子。經過Back Propagation 計算後,可求得每種款式每種花樣篩子的權重W。愈重要的篩子權重愈高,而愈不重要的篩子權重就會愈低。 這些W權重較大的篩子,代表用這些篩子可以篩出 X-->Y的重要成份,也就是"特徵"。這也就是深度學習最強的地方--自動特徵擷取,而不是由人來先定義好特徵。(more...)

  • 機器學習或深度學習的技術可以應用在哪?

    機器學習的演算法已廣泛應用於資料探勘、電腦視覺、自然語言處理、語音和手寫識別、生物特徵識別、DNA序列測、搜尋引擎、醫學診斷、金融數據分析與證券市場分析等方面。所以幾乎各行各業,包含金融保險業、電信業、零售業、製造業、醫療產業等,都會用到機器學習的技術。而以深度學習作為機器學習的方法,則多用在影像辨識、語音分析,這種比較沒有因果關係或者連人類都很難解釋的邏輯推理。

給你的6大學習支持

※點選可展開

1.與業界所需接軌的AI人工智慧課程規劃

  • 艾鍗AI人工智慧講師團隊為業界的AI人工智慧工程師,在產線數據分析、AI影像處理等領域已經累積豐富的開發經驗,所以更清楚產業界需要什麼樣的AI人工智慧人才。因此,教學規劃從業界需求角度出發,輔以不同的產業主題,循序漸進地幫助學員培養出與業界需求銜接的AI人工智慧能力。而在艾鍗,你才會學到真正在AI人工智慧專案開發上所會遇到的問題與解決方式,這些經驗都是你在書本上或其他單位學不到的珍貴知識。此外,在學習的過程中,老師會分享AI人工智慧在某些領域的商業模式,啟發你用AI人工智慧創造新商機的想法。

2.聚焦AI人工智慧實務應用的範例程式碼與完整說明

  • 本課程並非要教你用複雜的數學原理進行演算法開發,而是聚焦在讓你具備在實務上應用AI人工智慧演算法的能力。教材編排上有嚴謹的系統架構,由淺入深,讓你能清楚當前的學習進度與方向。同時教學著重在幫你培養分析與解決問題的思維能力。此外,透過每次的教學互動,講師深深了解學員的學習需求與困難,詳細說明每個主題應用的程式碼與處理步驟,提高你吸收成效。

3.學員能與業界AI人工智慧雙講師一對一互動

  • 你是否曾遇到講師在台上問學員有沒有問題,而學員都沒有人舉手?你是否曾遇到想請教老師問題,而問問題的學生很多,讓你無法得到協助?為了讓你可以和講師直接互動來提升學習成效,艾鍗採小班制教學規劃。課堂上同時有兩位講師,若你在聽講或是實作過程中遇到任何問題,可以直接舉手發問,講師會為你解惑。另外,艾鍗也提供線上和線下的問題詢問管道,讓你不論在什麼時候複習,只要遇到問題,都有尋求幫助的管道。

4.雙講師帶你手把手上機實作演練AI人工智慧演算法

  • 如果課程僅是理論、數學公式、案例講解,而沒有讓學員實作,相信你也知道這種學習效果是不好的。 合格的AI人工智慧工程師必須具備實作的能力,為了提供學員更即時的協助,課堂上有雙講師協助學員實作。畢竟有講師一對一協助,你才不用再花許多時間除錯(debug)。每堂課結束後,講師會出回家作業,讓學員可以透過回家作業來檢視自己的學習狀況。若遇到任何問題,可以透過艾鍗提供的詢問管道尋求協助,或是等待下次上課由講師講解。另外,每堂課的各個主題練習也都會有完整的範例程式碼與步驟說明,只要照著步驟反覆練習,你會發現AI人工智慧真的不難。

5.為不會寫程式的學員提供課前Python教學

  • 為了與時代接軌,不論你會不會寫程式,你都必須要了解AI人工智慧。艾鍗AI人工智慧課程主要是以Python程式語言進行授課,為了降低不會寫程式的學員的學習門檻,艾鍗提供隨課附贈Python教學,只要你反覆練習,在學習AI人工智慧時,會有更好的學習成效。

6.豐富的軟硬整合學習資源

  • 學習AI人工智慧最重要的是如何實現AI人工智慧應用。有別於其他教學單位,艾鍗有豐富的韌體、硬體學習資源,可幫助你在紮實的AI人工智慧基礎下,透過其他韌體、硬體技術能力來為你創造軟硬整合的優勢。在職場上,擁有軟硬整合實力的你,競爭力將遠遠領先純AI人工智慧工程師或是純硬韌體工程師。

 

AI DL opencv 728x90

 

相關詞:人工智慧、資料科學、機器學習、深度學習、AI、Python、scikit-learn 、Regression、Gradient Descennt、Logistic Regression、Support Vector Machine、Decision Trees、Random Forests文字探勘、Clustering、Kaggle、Data Mining、Keras、Tensorflow、CSS、RNN、ANN、Kmeans 
AI人工智慧課程搶先看

●CNN範例說明:
本範例教學員用Python程式碼,透過Keras實現常見的pre-trained CNN模型(VGG16、VGG19、ResNet50、InceptionV3...)套用,節省作業時間,增加分析效率。(點選看範例)

  • CNN

●梯度視覺化範例說明:
本範例教學員用Python程式碼,透過Keras中的VGG16模型,實現梯度視覺化,找出了對輸出貢獻最大的顯著圖像區域。(點選看範例)

  • gard gam

●LSTM範例說明:
本範例教學員使用『詞嵌入』(Word Embedding)的技術,運用『Word2Vec』與『ntlk』等套件,透過LSTM神經網路,針對影評資料,進行情緒分析。(點選看範例)

  • LSTM

●產線良率範例說明:
本範例以產線良率分析專案為例,教導學員完整的機器學習分析方法(EDA探索性資料分析、資料預處理、建立Linear Regression模型、訓練、測試、 評估模型。(點選看範例)

  • big data class

我可以從這門課學到什麼

• 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。

Linux AI 728x90 banner

AI人工智慧課程大綱

課程強調業界實戰,絕非紙上談兵!

※點選課程可展開看更多

➤認識人工智慧與機器學習實作(機器學習實作是以Scikit Learn為主,搭配Python範例程式碼講解)

    • 人工智慧導論

    • 熱門AI應用介紹

    • 名人講堂-導入AI方法

    • 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

      • 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

➤神經網路與深度學習應用實戰(深度學習實作是以 Keras、TensorFlow 深度學習平台為主)

    • 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:

        • Neural Network 的原理與架構:Neuron(神經元)、Perceptron(感知器)

        • Activation Function(激勵函數): Relu、Sigmoid、tanh…

        • Optimization(最佳化):線性回歸、Gradient Descent(梯度下降法)、SGD(隨機梯度下降法)、Momentum(動量法)、Adam(適應性矩估計)…

        • 過擬合(Overfitting)處理:Dropout、Regularization

        • 存入與讀取模型(model)與權重(weights)

        • 主題實作: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)

        • 原理與架構說明: Convolutional Layer (卷積層)、Pooling Layer (池化層)、Fully Connected Layer (全連階層)

        • 常用模型應用說明:VGG16、VGG19、ResNet50、InceptionV3

        • 其他方法說明:Backpropagation(反向傳播法)、Autoencoder

        • 常用模型應用說明:VGG16、VGG19、ResNet50、InceptionV3

        • CNN與影像辨識實務應用說明:分類(Classification)、Semantic按語意切割(Segmentation)、定位(Classification + Localization)、物體偵測(Object Detection)、實體切割(Instance Segmentation)

        • 主題實作: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)

        • 原理與架構說明

        • Gradient Vanish(梯度消失)

        • LSTM(Long Short-Term Memory)模型說明

        • Early Stopping

        • 應用說明:時間序列(Time series)、詞向量(word vector / word embedding)、自然語言處理(Nature language processing)、語音辨識

        • 主題實作: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)

        • 原理說明:Keras後端函數應用、反轉梯度

        • 主題實作:梵谷畫作風格轉換

      • 生成對抗網路(GAN,Generative Adversarial Networks)

        • 生成器 (Generator) 和鑑別器 (Discriminator)

        • 改進的版本介紹:DCGAN(Deep Convolutional Generative Adversarial Networks)

      • 強化學習(Reinforcement Learning)

        • 原理說明:自動進行決策,並且可以做連續決策

        • 四個元素:agent、環境狀態、行動、獎勵

        • Q-Learning解說

          • 逆向增強式學習 (Inverse Reinforcement Learning)

          • 主題解說: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

        • 使用OpenCV進行影像預處理(通道轉換、標準化、資料增加…)

        • CNN model實作解說

      • 主題式物件辨識(object detection)

        • 影像Lable方法解說

        • YOLO模型教學

        • YOLO模型實作解說

      • 人臉辨識

        • 人臉偵測 mtcnn(Multi-task Cascaded Convolutional Networks)、opencv、dlib套件解說

        • 資料前處理:人臉轉換、對齊與裁剪…

        • 人臉特徵擷取(使用FaceNet的模型與演算法)

        • 人臉特徵比對 (使用LinearSVC的分類演算法)

      • 在iPhone上用YOLO model實現人臉偵測

        • iOS開發介面簡介

        • YOLO model 移植教學

      • 不均衡數據處理與奇異值分析(novelty detection / Outlier Detection)實作

        • 產線數據分析與課程所學之應用設計

PS.實戰演練的範例將會依據產業界的實際狀況進行調整

★若您有數位學習的需求,請參考<AI人工智慧與資料科學>

★若您想強化Python能力,請參考<Python程式語言>

 
FPGA_728x90.gif
 
適合對象

• 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或深度學習有興趣,或是接觸過卻似懂非懂,不知如何開始。

• 想透過機器學習與深度學習實戰來結合本業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。

★本課程沒有高深複雜的數學原理,只要具備簡單高中數學基礎即可,依照老師教學進度Step by Step學習,就可以自然而然地學會深度學習與機器學習的觀念與技術。

艾鍗學院AI人工智慧師資團隊

teacher1

 Elvis

▪ 美國聖路易大學生物資訊博士

▪ 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 /深度學習

teacher1

 Jeffery

▪ 台灣大學土木工程研究所博士

▪ 知名上市資訊科技大廠AI人工智慧部門研發主管

▪ 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

▪ 輔仁大學應用科學與工程研究所博士

▪ 知名上市電子消費品大廠AI人工智慧研發部門資深工程師

▪ 機器學習 / 深度學習 / 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

728x90企業預付 1

AI人工智慧課程上課花絮


●學員AI人工智慧專案Demo

本範例為課堂學員依據講師課堂上所教的AI人工智慧知識,並依照不同需求,套用課堂中的範例程式碼,以CNN模型實現交通號誌識別的應用。

Student DEMO

 

●AI人工智慧課程之學員滿意度

機器學習與深度學習實戰班滿意度調查 3

有口皆碑 班班爆滿

熱門AI人工智慧應用職務
AI 智慧機器人開發工程師

必備技能 :

#ROS機器人開發實務

#嵌入式Linux開發實務 (搭配數位版,成效更高)

AI電腦視覺演算法工程師
嵌入式AI系統工程師

必備技能 :

#嵌入式Linux開發實務 (搭配數位版,成效更高)

AI FPGA應用工程師

必備技能 :

#FPGA數位IC設計實戰

AI人工智慧實務應用
AI 時尚商店 AI 智慧音箱

AI人工智慧相關新聞報導

課程諮詢

 歡迎企業包班內訓,立即洽詢(02)2316-7736!!

在一個快速變遷的世界裡,確定會失敗的唯一策略是:不冒險。如果你欣然擁抱趨勢,踏向偉大的大數據工程師修練之路,風向也會幫你一把。搭上艾鍗學院的學習列車,不可思議的旅程,從此開始!若您希望對本課程有更多了解,歡迎留下您的資料,或撥服務專線(02)2316-7736,艾鍗學院將竭誠為您服務喔!

0403 jeff bezos amazon 400x400

Amazon創辦人 Jeff.Bezos

當你抵抗趨勢,那你就是在和未來作對。

但若你選擇欣然擁抱,風向會幫你一把。

 

常見問題

※點選問題可展開

1.)為什麼要學習機器學習?

  • 機器學習觸動每個人的生活,它取決於我們所有的人,自主決定我們想要用它來做什麼。憑藉著你對機器學習的新理解,你處於一個更好的位置,可以去思考類似隱私和數據資料分享、未來的工作、機器人作戰,以及人工智慧的希望和危險等問題;如果我們有越多人擁有這樣的理解,我們就越可能可以避免重蹈覆轍,並找到正確成功途徑。如今亞馬遜的演算法,讓世界各地任何人都能便捷決定要閱讀什麼書籍;美國國家安全局的演算法,可以判斷你是否為潛在的恐怖攻擊分子;氣候模型(Climate models)決定什麼是二氧化碳在大氣中的安全水平;選股模型(Stock-picking models)所驅動的股市交易量,甚至遠超過大多數人所做的。基本上,因為你無法控制自己不理解的東西,所以做為公民、專業人士,以及從事幸福追尋的人們,這就是為什麼你需要了解機器學習的原因。

2.)用49小時學機器學習與深度學習會太長嗎?

  • 不會!講師希望可以透過49小時的課程,能帶大家循序漸進掌握機器學習與深度學習的技術精華,並能從原理到程式的實作,之後大家可以真的去結合本身產業的知識為公司創造價值。如果只是1天的研討會或數小時的工作坊,除非是已經具備數據分析基礎的學員,否則大部分的人在結束後,仍然對機器學習與深度學習一知半解(通常是知道了有一個趨勢加上一些似懂非懂的名詞),更別說是實際動手開發。 

3.)機器學習一定要很會寫程式嗎?

  • 資料分析人員也不一定看得懂每一行程式碼,但通常他會具備某一領域知識並懂得如何分析數據。可透過本課程了解觀念與原理,再利用課堂上的程式碼架構,依據不同目的進行參數調整,其實也能快速達到資料分析的目的。

4.)為什麼選擇Python而不是R語言?

  • 因Python較R擁有下列優點 :

    1. 網絡爬蟲/抓取:儘管 rvest 已經讓 R 的網絡爬蟲/抓取變得容易,但 Python 的 beautifulsoup 和 Scrapy 更加成熟、功能更強大,結合django-scrapy我們可以很快的構建一個定製化的爬蟲管理系統。

    2. 連接資料庫:R 提供了許多連接資料庫的選擇,但 Python 只用 sqlachemy 通過ORM的方式,可解決了多種資料庫連接的問題,且在生產環境中廣泛使用。

    3. 內容管理系統:基於Django,Python可以快速通過ORM建立資料庫、後台管理系統,而R中的 Shiny 的鑒權功能暫時還需要付費使用。

    4. API構建:通過Tornado這個標準的網路函式庫,Python也可以快速實現輕量級的API,而R則較為複雜。 

5.)不會Python可以上課嗎?

  • 老師一開始會先帶大家快速掌握Python程式語言,您當然也可以先參考艾鍗的Python程式語言先修班(線上課程)。課程中老師會以手把手方式解釋Sample Code,並讓您透過程式的執行更快理解該段程式碼所做的事。另外,講師所提供的Sample Code都有清楚的程式註解,也能方便您快速掌握程式的意涵。當然,Python 語言的熟悉度還是得透過多加練習而熟能生巧 ,或者應該說任何程式語言其實都是熟能生巧 : )

6.) 會資料科學,數學是不是要很好?

  • 若要自己設計發明一個更好的分類器 (Classifier)演算法,一定程度的數學能力肯定避免不了,而資料科學底層的數學主要以機率統計、線性代數為主。我們上課時,講師會告訴你這個這個模型的方法其基礎理論原理是什麼,再配合實際程式的執行讓您可以快速連結演算法的精義。然而,資料科學也不光只是算數學或寫程式,對於對特定領域的了解、清楚的分析邏輯、對資料的敏感度,也是相當重要的。

7.)自學機器學習與深度學習的艱難在哪呢?

  • 困難1:若想透過網路學習,因網路知識過於片段,深淺不一,學習成效有限。

    困難2:若想透過書籍學習,因目前相關技術中譯本不多,主要仍以英文為主,語言門檻是學習者的第一個門檻;即使有中譯本,大部分仍翻譯艱澀並充斥著大量的複雜公式和程式,不夠親和,讓讀者有很大的學習障礙。

    因此,若沒有專業的老師帶著學,學習不但事倍功半且無法確定所學到的知識是否正確,更不用說能學到業界真實的分析與Debug經驗。 

8.)實驗性設計指的是什麼?

  • 建立機器學習模型就好像在做實驗一樣,每一次的實驗都會選擇不同的特徵、機器學習演算法與參數,甚至是問題的假設,每一次的實驗都會增加你對於資料的理解,課程將會逐步教你如何掌握這些流程與訣竅

9.)資料重塑&資料清理(Data Cleanup)的意義?

  • 資料重塑(Reshaping):整合兩個不同來源的表格、合併資料行、合併資料列、資料表排序、將某欄位分割成兩個欄位等。資料清理(Data Cleanup):處理資料缺陷、統一資料格式與單位、處理缺漏值、將空值設定為預設值、移除不完整的列、統一資料型態、大小寫轉換以及文字處理(取代)。

10.)課程實作的環境為何?

  • 教學上以Linux Ubuntu 16.04LTS 為主,並且以 Python 3 搭配Jupyter 讓學員能快速演練 

11.)請問課程是運用哪種運算平台進行深度學習實作呢?

  • 課程中使用Google的開發工具Colaboratory來進行深度學習實作。Google Colaboratory是一個提供Jupyter Notebook服務的雲端環境,而且無須額外複雜的設定就可以使用,更棒的是還有提供免費的GPU運算服務。

12.)上課需要另外購買書籍嗎?

  • 上課會使用授課講師親編的講義

13.)課後仍有不懂的地方可否詢問?

  • 歡迎於本課程的討論板上提出問題,艾鍗的講師或助教都會很樂意為您解答!(討論版網址會在上課第一天公佈)

14.)課程如何報名及繳費?

  • 填寫報名表並完成繳費,繳費方式可採取:
    * ATM轉帳 或 臨櫃匯款
    銀行代碼: 008    帳號: 100-10-032218-5
    華南商業銀行 總行營業部
    戶名: 艾鍗科技有限公司
    * 信用卡分期
    * 現金繳款  
    有任何問題歡迎致電艾鍗學院 (02)2316-7736

728x90企業預付 1

學過AI人工智慧的學員也看了這些課程
AI機器學習與深度學習實戰班 假日進修班開課日期:108/6/23(日) 上課時間:09:30~17:30 課程時段:假日班