
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。
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
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。

接軌業界
AI人工智慧課程規劃

聚焦AI人工智慧
實務應用

與業界AI人工智慧
雙講師一對一互動

手把手上機實作
演練AI人工智慧演算法

提供課前
Python教學

豐富的軟硬整合
學習資源
- 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
- 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
- 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:
- 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
-
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
- 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
-
※深度學習實作以 Keras、TensorFlow 深度學習平台為主

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
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。
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。
* 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