fbpx

medical top 728x 90

 aimldl
因應COVID-19疫情,若有必要情況,可能完全採取zoom雲端線上授課;在情況允許下,會以實體授課,並做好防疫措施為主。

學習地圖

AI學習地圖

學習此課程的人,也買了...

AI深度學習與影像辨識 AIoT智能物聯網與邊緣運算

AI課程組合優惠

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
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: 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 

  • 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
智慧家居

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。
縮短專案時程,確保產出

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。
產業資深講師實務親授

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。
產業資深講師實務親授

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。
產業資深講師實務親授

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。
產業資深講師實務親授

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
  • 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
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

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 ※ 點選可展開看詳細課程內容
  • 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)
    • 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)

      • 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
      • 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)
    • 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
    • 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
    • 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)

      • 原理說明:Keras後端函數應用、反轉梯度
    • 專案: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)
    • 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

      • 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
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

師資團隊
Jeffery老師

Jeffery

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

Luke

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

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

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

課程諮詢
延伸學習
Q&A
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。
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。
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。
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。
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。
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。
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。 。
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)。
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
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。
上課會使用授課講師親編的講義
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)
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
AI機器學習與深度學習實戰班 假日進修班開課日期:109/6/13(日) 上課時間:09:30~17:30 課程時段:假日班