Sc-banner

 

 ML&DL new banner
 
 
當紅色供應鏈開始逐步沒收台灣一些硬體事業時,
必須積極尋找或佈署下一個可能...下一個十年我們會在哪裡?

「不是我們取代時代,就是時代取代我們」

課程簡介

 
科技部部長陳良基 : AI時代軟硬整合非常重要,台灣強項顯現!

科技部長陳良基表示,AI時代,軟硬整合非常重要,台灣強項顯現!過去台灣在硬體、半導體領域創造典範,不過在世界邁向軟硬整合的過程中,台灣企業在導入AI的腳步仍稍嫌緩慢。如果你是韌體開發工程師、嵌入式開發工程師、FPGA工程師等工程背景,現在是最好的機會,透過培養AI職能來發揮軟硬整合的價值。若您非理工相關背景,也不需擔心,透過培養AI職能,幫你的本業加分。我們雖然不一定要成為創造AI的工程師,但我們必須了解AI,知道它所影響的層面,才能發揮自身優勢。因為未來是AI的時代,知己知彼才能百戰百勝。

 

 業界工程師親授,產業實務演練,培養業界所需職能

本課程,將先幫您建立對AI人工智慧的正確認知。透過淺顯易懂的概念和產業實務,讓你從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、語音辨識等應用,延伸本業價值。所以面對AI,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。 

 

bulbAI小常識(點選展開)

  • 什麼是機器學習(Machine Learning)?

    機器學習是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。

 

AI DL opencv 728x90

 

相關詞:資料科學、機器學習、深度學習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 
課程搶先看

●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)

  • CNN

●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)

  • gard gam

●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)

  • LSTM

●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)

  • big data class

課程特色

沒有人可以不投注及大量的練習就發展出非凡技能,

但是選擇正確的方式可以幫你更有效率地實現目標。

 

為了幫助學員們在有限的時間內,獲得最大的學習成效。艾鍗<機器學習與深度學習實戰>課程是依據<刻意練習>的方式來規劃設計,讓你能透過有目的的練習,真正培養出產業所需的AI職能。

 

特色1 : 小班制互動教學,非大講堂式演講教學

在大講堂中上課,學員有任何問題,無法得到老師立即的答覆,甚至整堂課結束後,仍未得到老師的答覆,導致問題越來越多,越來越跟不上課程的步驟,讓學習效果大大折扣。而艾鍗課程堅持良好的培訓品質,採小班制教學,讓講師可以兼顧到每位學員的學習需求。學員在課堂上提出問題,像是主題觀念、套件安裝、GPU設定、解題方法、程式除錯、參數調教、蘋果電腦相容性等問題,甚至是實務開發上的問題,都能得到講師一對一的指導。只要你願意問,老師會講解到你懂為止

 

特色2 : 產業實務實戰教材,與業界所需接軌

本課程學員來自各個產業(科技、金融、零售、製造、醫療、運輸、營建、教育、軍警等),目的為學會AI技術來解決工作所遇到的痛點。因此,本課程在教材的編撰上,除了有經典的範例外,講師還精心挑選許多產業實例,像是產品銷量預測、信用分數判定、產線分析、情緒分析、病因歸納、瑕疵品分析等,幫助學員可以在不同的產業中學習解決問題的方法與思維。每個範例都附完整的範例程式碼與說明,讓你可以快速移植架構,大大縮短專案開發的時間。這個時代中,懂得如何使用輪子比懂得如何造輪子還要重要

 

• 特色3 : 專業教練式指導,快速聚焦問題核心

講師在業界已經累積10多年的開發經驗,是學員在學習AI的路上,最好的教練。透過課堂上的問題交流,講師會提供你高品質的建議回饋,指出你問題點,引導你去思考,並且在下一次的練習針對解決此問題。帶你走出學習舒適圈,幫你建立「自我提問」的能力,不斷精準的洞察出自己的問題點,持續調整學習方式來延展自己的能力極限

 

• 特色4 : 目標式實作教學,紮實累積AI職能

大腦就像肌肉,找對方法就可以強化它,而「練習」是能力培養成功與否的最重要關鍵。本課程強調"How to",講師為了幫助學員可以清楚地學會各主題的重點,以目標式實作的教學方式設計教材,以明顯易懂的觀念,讓你能掌握機器學習最核心的觀念與技術本質。為了提升學習的"有感度",於每一個原理和演算法解說後,都會搭配實際程式範例,來進行上機實作演練。透過課堂上和課後進行有目的性的反覆練習,成功將這些AI知識真正內化成自己的職能。

 

特色5 : 交通便利的專業培訓教室

有別於交通不便的郊外大講堂教室,本課程培訓地點位於全台交通最方便的地點---台北車站附近。交通工具選擇多,可搭乘公車、捷運、台鐵、高鐵等,到站僅需步行數分鐘即可抵達教室,大大節省通勤時間。另外,專業電腦教室,內建高品質教學設備,學員能看得更清楚,聽得更明白。一人一台電腦,不需再自備電腦,降低學員的學習負擔。

 

我可以從這門課學到什麼

• 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 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實作。

• 掌握機器學習的演算法後,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。

Linux AI 728x90 banner

課程大綱

課程強調業界實戰,絕非紙上談兵!

第一階段

★Python程式語言打底 (數位) ==> 觀看課程大綱

第二階段 28hrs

資料工程實戰

主題 內容
資料科學利器Python程式語言以及必會函式庫
  • Python實作環境建置
    • Anaconda安裝與教學
      • 必會之指令教學:conda create、conda info、pip等
    • Jupyter Notebook功能教學
  • 必會之Python入門程式語法與資料格式介紹
    • Python程式實作:程式筆記、數學計算、檔案讀取等
  • 必會之Python資料分析套件: Numpy、Pandas、Scipy、Matplotlib
    • Numpy 程式實作:必會之數學運算指令
    • Scipy 程式實作:必會之科學計算與工程計算指令,以影像處理為例
    • Matplotlib程式實作:必會之圖表繪製指令,直方圖、圓餅圖、趨勢圖、散佈圖等
    • Pandas程式實作:以連鎖速食餐飲資料集和股價分析為例
  • Github使用教學:安裝程序、版本控制等
資料工程(Data Engineering)
  • 什麼是資料工程:資料工程觀念介紹與流程說明
  • 資料採集與預處理-使用Pandas
    • 資料檔案採集(Scraping)、網路資料採集(Web Scraping)
      • 程式Python網路爬蟲(Crawler)實作:運用BeautifulSoup套件,解析並抓取網頁資料,以維基百科文章分析為例
    • 資料格式的正規表示式(Regular Expressions)
      • 程式實作:運用Re套件建立規則抓取所需資料,以快速抓取網頁中電話號碼為例
    • 資料重塑(Reshaping)
    • 資料清理(Data Cleanup)
      • 程式實作:必會之資料清理方法實作,以Airbnb住房分析為例
  • 進階資料處理
    • 資料文法(Grammar of Data)介紹
    • 結構式查詢語言(SQL)與資料整理套件dplyr介紹
      • 程式實作:Python SQL資料庫與dplyr必會之指令實作
探索性資料分析(Exploratory Data Analysis, EDA)
  • 探索性資料分析說明:運用視覺化、基本統計等工具,先「看」一下資料
    • 程式實作:使用matplotlib函式庫實作直方圖、圓餅圖、趨勢圖、樹狀圖等
    • 互動式視覺化(Interactive Visualization)
資料科學應用實例
  • 文字探勘(Text Mining)實例
    • 自然語言處理概念介紹與自然語言函式(nltk)教學:斷詞、停用詞、n-gram斷詞方法
    • 利用中文斷詞處理(Jieba)函式庫與頻率分析方法,進行文字雲的建構
    • 利用機率的概念,決定文字的關鍵字、並利用關鍵字進行初步的文章分類
      • 程式實作:新聞文章分類
  • 統計方法與機率分佈概念介紹

機器學習實戰 

主題 內容
Introduction to Machine Learning
  • 何謂機器學習? 
  • 機器學習的實現程序? 監督式學習 ?非監督式學習? 半監督式學習?...
  • 名詞介紹: Model、特徵(feature)、標籤(label)、Training data、Testing data、Deep Learning、CNN、RNN...
Machine Learning I: Regression

機器學習實作是以Scikit Learn為主,搭配Python範例程式碼講解

  • Regression 迴歸
    • 程式實作:波士頓房產價格分析
    • Ridge Regression & Lasso Regression
  • 評估機器學習模型的好壞
    • 定義損失函數(Loss Function)
    • 均方根誤差(RMSE)
    • 梯度下降演算法(Gradient Descent)
    • 如何縮小RMSE ? 模型與參數的選擇
  • 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)
  • 資料標準化(Standardization)說明與標準化套件(StandardScaler)教學
  • 降維(Dimension Reduction):主成分分析(PCA)
    • 程式實作:葡萄酒種類分析
  • 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
Machine Learning II: Classification & Clustering
  • 分類(Classification):以IRIS、披薩公司資料集進行說明與實作
    • 單純貝式分類器(Naive Bayes Classifier)
    • 機率生成模式(Probabilistic Generative Model)
    • 羅吉斯迴歸(Logistic Regression)
    • 決策樹(Decision Trees)
    • 隨機森林(Random Forests)
    • 支持向量機(Support Vector Machine)
    • 最近距離分群法(KNN)
  • 分群(Clustering)
    • K-means
  • 整體性方法(Ensemble Methods)概念解說與實作
  • 如何有效進行實驗性設計(Experimental Design)
專案實務
  • 知名資料競賽平台(Kaggle、天池等)介紹與教戰守則說明
    • Kaggle競賽神器XGBoost
    • 競賽實例解說
  • 本課程的實戰專案將以BOSCH實際釋出的生產線大數據資料進行分析,學員可以一步一步從特徵選取工程實作機器學習的各項過程,選取適合的機器學習方法進行機器學習模型建構,並應用效能評估方法與交叉驗證方法增強模型的有效性。
    • 專案目標一: 利用迴歸方法建立初步的良率出影響良率的因子以及預測準度
    • 專案目標二: 利用其他的機器學習方法,包括單一的機器學習方法或是多個機器學習方法整合,有效地找出影響良率的重要因子與預測準度,進而達成預防性維保與設備監診的目標

第三階段

深度學習(Deep Learning)實戰 21hrs

主題 內容
深度學習實戰

深度學習實作是以 Keras、TensorFlow 深度學習平台為主

  • 常用深度學習硬體與框架
    • 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… )
    • Google Colaboratory環境建置與操作
  • 神經網路與深度學習架構
    • 機器學習 vs 深度學習
    • 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)…
      • 過擬合(Overfitting)處理:Dropout、Regularization
      • 實戰演練:神經網路實作、MNIST手寫數字辨識、CIFAR-10實作、乳腺癌診斷分析
  • 深度學習方法
    • 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)。
      • 實戰演練: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
      • 應用說明:時間序列(Time series)、自然語言處理(Nature language processing)、語音辨識
      • 實戰演練:美國國際航空乘客量分析、情緒分析、中英翻譯
  • 深度學習應用
    • 遷移式學習(Transfer Learning)
      • 原理說明:Keras後端函數應用、反轉梯度
      • 實戰演練:圖像風格化
    • 生成對抗網路(Generative Adversarial Networks)
      • 生成器 (Generator) 和鑑別器 (Discriminator)
      • 改進的版本介紹
    • 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說明
      • 逆向增強式學習 (Inverse Reinforcement Learning)
      • 實戰演練:訓練電腦玩遊戲、機器人運動控制
  • 發展與部署深度學習系統時,在操作層面上的考量
PS.實戰演練的範例將會依據產業界的實際狀況進行調整。

 
FPGA_728x90.gif
 
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。

• 想透過機器學習與大數據實戰來結合本業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大數據分析與機器學習的觀念與技術。

師資介紹

teacher1

 Elvis Wu

▪ 美國聖路易大學生物資訊博士 / 交通大學交通運輸 & 資訊管理研究所碩士

▪ 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

teacher1

 Jeffery Lin

▪ 台灣大學土木工程研究所博士 / 成功大學土木工程研究所碩士

▪ 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

teacher1

 Tim Liu

▪ 輔仁大學應用科學與工程研究所博士 / 輔仁大學電機研究所碩士

▪ 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

728x90企業預付 1

上課花絮


●學員專案Demo

本範例為課堂學員依據講師課堂上所教的知識,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。

Student DEMO

 

●學員滿意度

機器學習與深度學習實戰班滿意度調查 3

有口皆碑 班班爆滿

熱門AI應用職務
AI 智慧機器人開發工程師

必備技能 :

#ROS機器人開發實務

#嵌入式Linux開發實務 (搭配數位版,成效更高)

AI電腦視覺演算法工程師
嵌入式AI系統工程師

必備技能 :

#嵌入式Linux開發實務 (搭配數位版,成效更高)

AI FPGA應用工程師

必備技能 :

#FPGA數位IC設計實戰

AI 醫療韌體開發工程師

AI實務應用
AI 時尚商店 AI 智慧音箱

AI相關新聞報導
常見問題

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

 

728x90企業預付 1

 

課程諮詢

 歡迎企業包班內訓,立即洽詢(02)2316-7736!!

在一個快速變遷的世界裡,確定會失敗的唯一策略是:不冒險。如果你欣然擁抱趨勢,踏向偉大的大數據工程師修練之路,風向也會幫你一把。搭上艾鍗學院的學習列車,不可思議的旅程,從此開始!若您希望對本課程有更多了解,歡迎留下您的資料,或撥服務專線(02)2316-7736,艾鍗學院將竭誠為您服務喔!

0403 jeff bezos amazon 400x400

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。

 

 

AI機器學習與深度學習實戰班 假日進修班開課日期:107/9/30(日) 上課時間:09:30~17:30 課程時段:假日班