AI工程師一對一指導，幫你培養產業所需的AI職能
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。
AI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。
※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。
| 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 |
●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)
●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)
●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)
●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)
• 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。
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
-
-
★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>
• 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。
|
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 |
|
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 |
|
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 |
高效資料科學步驟講解
資料工程解析
資料重塑解析
資料視覺化與 互動式視覺化解析
聚精會神學習 資料工程
scipy教學
精準指導學員問題
學員在JupyterNotebook進行Python範例實戰演練
AI人工智慧實例 : 換臉技術解說
AI人工智慧實例 : AutoEncoder訓練績效評估解說
AI人工智慧實例 : Deep Fake解說
AI人工智慧實例 : RNN範例程式解說
學員交流討論強化式學習
AI人工智慧主題實作 : 學員進行Autoencoder範例實作
AI人工智慧主題實作 : 學員進行CNN模型建置實作
AI人工智慧主題實作 : 學員進行Keras預訓練模型實作
學員進行LSTM實作
AI人工智慧主題實作 : 學員進行RNN語意分析實作
AI人工智慧主題實作 : 學員進行Transfer Learning(遷移式學習)實作
講師協助學員設定GPU
●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。
●AI人工智慧課程之學員滿意度
必備技能 :
#嵌入式Linux開發實務 (搭配數位版，成效更高)
必備技能 :
| AI 時尚商店 | AI 智慧音箱 |
 |
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。
|
※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
