艾鍗學院 - AI機器學習與深度學習實戰班

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

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

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

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

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
- 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

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

▶ 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

延伸學習

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，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。

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。