現在位置：艾鍗學院＞實體課程＞ AI課程總覽頁＞ AI機器學習與深度學習實戰

本課程採取遠距同步教學，歡迎全台學員加入學習！

課程介紹

本課程以循序漸進的方式說明機器學習的重要基本觀念，並以scikit-learn說明這些機器學習演算法如何實際套用於資料上。有了機器學習的基礎後，會開始說明神經網路的工作原理及該如何調整參數來優化模型。講師會針對不同的AI主題(例如，圖像分類、圖像壓縮、風格轉換、圖像分割、物件偵測、文字探勘和推薦系統)，除了主題描述以及解決方案解說外，也會搭配Keras/TensorFlow程式實例進行手把手教學。

AI專家一對一指導，培養跨領域AI職能
面對AI人工智慧，與其漫無章法地學習，不如跟著專家有系統的學

MDL-schematicdiagram

關鍵詞: 機器學習、深度學習、scikit-learn、Keras、Tensorflow 、CNN、Auto Encoder、Transfer Learning、Semantic Segmentation、RNN、LSTM、Audio Recognition

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)?

它其實就是中間層(Hidden Layer) 有很多層的Neural Network (Deep Neural Network)，像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。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。

課程特色

接軌業界
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。

聚焦AI人工智慧
實務應用

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。

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。

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。

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。

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。

學習目標

了解機器學習的核心觀念與常見的分類演算法
會使用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Neural Network 等機器學習的實作
了解深度學習(類神經網路)的核心觀念與工作原理
會使用Keras/TensorFlow 進行DNN、CNN、RNN/LSTM等深度學習演算法實作
了解深度學習如何應用在數據資料、圖像和語音的領域

※ 完訓後提供結業證書，豐富個人履歷即戰力

適合對象

想學習如何使用機器學習或深度學習，包含資料處理、建立模型、設計資料分析演算法、測試與調校
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

課程大綱

Part 1 : 機器學習實務

AI 趨勢
- 機器學習、深度學習與人工智慧趨勢
- 如何從零導入AI
- 企業級人工智慧
機器學習
- 機器學習觀念與術語
- 資料與特徵
- 機器學習模型建立方法: 以迴歸模型(Regression)為例
- 損失函數 (Loss Function)
- 評估模型預測能力的方法: Confusion Matrix & AUC
特徵降維-PCA 演算法與實作
分類演算法Clssification
- 羅吉斯迴歸(Logistic Regression)
- 決策樹(Decision Trees)
- 支持向量機(Support Vector Machine)
- 最近距離分群法(KNN)
處理不均衡數據(Imbalanced Data)
Scikit-learn範例演練：房價預測、信用卡欺詐檢測、工廠預防性維保之CNC工具磨耗檢測等

※機器學習實作以Scikit Learn實作解說

Part 2：深度學習實務

DNN
- 類神經網路運作原理
- 損失函數 (Loss Function) 的種類 (demo)
- 最佳化函數 (Optimizer) 的種類
- 激活函數(Activation Function) 的種類
- 倒傳遞類神經網路(BPN)演算法
- 模型優化方法與參數調整
- 解決 Overfitting 方法: Regularization, Dropout, Early Stopping,…
- TensorFlow/Keras介紹與程式架構流程
- DNN範例演練: 迴歸預測
- DNN範例演練: 實現邏輯匣分類
- DNN範例演練: Multi-label 的分類問題
- Performance metric: Confustion Matrix
RNN
- RNN網路運作原理剖析
- LSTM & Bidirectional LSTM
- LSTM範例演練: 乘客數量預測
- LSTM範例演練: KKTV 上線時間預測
- Performance metric: Precision/Recall , AUC,...
CNN
- CNN卷積神經網路運作原理
- 數據增廣 Image Augmentation
- 知名的CNN網路模型: AlexNet、MobileNet、 VGG16/19、MobileNet
- Transfer Learning & Fine-Tuning Model 實作
- CNN範例演練: MNIST手寫數字辨識
語音識別 (Voice Recognition)
- PCM-encoded wave
- Get Audio Feature by FFT
- Audio Spectrum
- 範例演練: Audio Recognition by CNN (demo)

Appendix I : Anaconda 安裝與虛擬環境的建立

Appendix II: Google Colaboratory 使用說明

PS.實戰演練的範例將會依據上課實際狀況進行調整

※深度學習實作以 Keras、TensorFlow 深度學習平台為主

※文字探勘與推薦系統請參考本課程

精彩內容搶先看

【深度學習搶先看】

師資團隊

Jeffery老師

▶ 台灣大學土木工程研究所博士

▶ 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

Luke老師

▶ 海洋大學運輸所碩士

▶ 資深系統工程師

▶ 地理資料分析呈現 / 資料庫設計 /Machine Learning運算模組開發 / Deep Learning CNN,RNN

Tim老師

▶ 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

Elvis老師

▶ 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

課程諮詢

學習本課程的人也學習了...

Q&A

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.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，根據不同目標搭建自己要的訓練模型，也能快速完成任務。

3.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。