fbpx

728x90 MIX 2022

ai dl nlp banner

現在位置: 艾鍗學院實體課程 AI課程總覽頁AI自然語言與問答系統應用

♦ 【補助專班】採遠距同步教學,最後3名,欲洽從速!

課程介紹

自然語言處理(Natural Language Processing,NLP)是計算機科學以及人工智慧的子領域,專注在如何讓計算機處理並分析大量(人類的)自然語言數據。

NLP常見的挑戰有語音辨識、自然語言理解、機器翻譯、聊天機器人以及自然語言的生成,是近幾年成長最迅速的AI應用。 本課程將帶領學員了解NLP自然語言處理的任務與流程、中文自然語言處理及常見的文字編碼方式,並透過深度學習演算法與進階語言模型實作,進而實現AI主題專案:Telegram飯店業問答系統。課程搭配軟體套件使用,兼具理論與實作面向,讓你對NLP有完整的概念。

推薦系統應用將會介紹常見的推薦系統應用(產品/平台),再以深入淺出的方式,說明推薦系統的經典演算法,以直觀的方式理解這些演算法的原理。

關鍵詞:人工智慧、機器學習、深度學習、AI、Python、自然語言處理、Natural Language Processing、NLP、Deep Learning、Keras、RNN、LSTM、BERT、聊天機器人、Chatbot、問答系統、Question Answering System、推薦系統、Recommendation System、網路爬蟲

課程特色

nlp feature 1

學習目標

1.了解NLP自然語言處理任務與流程,熟悉相關演算法。

2.學習NLP自然語言處理任務的文字探勘、句法分析、文本分類、網路爬蟲資訊提取等。

3.了解深度學習RNN、LSTM、GRU、BERT模型的原理與運用方法。

4.瞭解問答系統(Question Answering System)之開發流程與要領。

5.了解推薦系統應用與推薦系統的經典演算法。

6.學會使用Tensorflow/Keras進行深層神經網路(DNN)實作

7.了解深度學習的原理及各種訓練技巧-Batch Normalization, Dropout, Early Stopping,…

bert

適合對象
  • 對於AI自然語言處理應用技術有興趣之工程師或研究生。
  • 想進一步學習如何將AI演算法轉換成服務業、電商平台常用的功能或服務者。
  • 須領導、管理AI開發專案者。
  • 想了解NLP問答系統應用或對Chatbot聊天機器人、情緒分析、智能助理感興趣者

課程大綱
NLP自然語言處理與問答系統
  • 1.自然語言處理(N-gram)

  • -資訊提取、句法分析、機器翻譯、問答系統等 資料來源 NLP自然語言處理

  • 2.中文自然語言處理(jieba斷詞、停用詞)

  • 3.編碼方式

  • -Bag of Words
    示意圖 
     3

  • -TF-IDF
    以NLP套件做的文字雲 
  • cloudword 2
  • -Word2Vec
     
  • 4.深度學習模型
    -RNN/LSTM
    -seq2seq
    -Bert

  • 5.實例
    -文章評論情緒分類
    -中英文文字生成
    -文字描述預測商品價格

  • 6.專案: 在Telegram上建立Q&A問答系統 

  • Telegram上建立Q&A問答系統

 

 

 

 

 

 

 

 

網路爬蟲與推薦系統
  • 1.網路爬蟲的原理說明與實作練習
    - 先備知識說明:HTML, CSS, DNS 等
    - 工作流程:網頁爬取, 解析, 儲存
    - 工具套件:requests, Beautifulsoup 4, Selenium
    - 實作練習:以經濟日報, 台灣證交所, Yahoo Finance為例

     

  • 2.推薦系統的原理說明與實作練習
    - 基於內容的的推薦 (Content-based Recommendation)
    - 基於用戶的協同過濾((User-Based Collaborative Filtering)

    User-Based Collaborative Filtering
     4

    - 基於物品的協同過濾 (Item-Based Collaborative Filtering)
    - 矩陣分解 (Matrix Factorization)
    - 實作練習:以iMDB電影推薦為例
    資料來源

    movielens


    推薦系統 資料來源

    實體和非實體產品推薦

  • 3.AI模型與操作介面的整合
    - 觀念解析與案例說明
    - 微型架站工具:Flask
    - 簡易網頁製作:表單, 檔案上傳
    - 實作練習:以iMDB電影搜尋引擎為例

神經網路與深度學習應用實戰 ※ 點選可展開看詳細課程內容
  • 深度學習導論
    • 人工智慧 vs 機器學習 vs 深度學習
    • GPU(Nvidia GTX 1080T) 介紹與資源配置
    • DL框架介紹(TensorFlow、Keras、CUDA… )
    • Google Colaboratory 教學
  • 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
      • 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)

      • RNN原理與架構說明
      • LSTM(Long Short-Term Memory)模型說明
      • 應用說明:時間序列(Time series)、詞向量(word vector / word
      • 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)

      • 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)
  • 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
  • 實務問題與解決方案探討

※實戰演練的範例將會依據上課實際狀況進行調整

師資團隊
 
teacher 2

Lynn老師

▪ 國立臺灣大學資訊網路與多媒體碩士 ▪ 知名教育科技公司人工智慧工程師
▪ 知名資產管理公司金融計量分析研究員

▪ 機器學習 ▪ 深度學習 ▪ 自然語言處理(NLP) ▪ 網路爬蟲

 

 
teacher2

Joseph老師

▪ 台灣大學電機工程系博士研究
▪ 上市網通科技公司/資深軟體工程師
▪ iPAS校園專案講師 ▪ 深度學習實戰業界專家講師

▪ 邊緣運算 ▪ 機器學習 ▪ 深度學習 ▪ 網路通訊協定 ▪ 嵌入式Linux系統

 

 
TEACHER

Alan老師

▪ Purdue University School of civil engineering (Stochastic & statistical hydrology)
▪ 水資源農業研究院人工智慧指導
▪ 大學助理教授 ▪ 水資源管理政策研究中心副執行長

▪ 數據科學 ▪ 機器學習 ▪ 深度學習 ▪ 自然語言處理(NLP)

 

 

課程諮詢
延伸學習

Q&A
自然語言處理(Natural Language Processing,NLP)是計算機科學以及人工智慧的子領域,專注在如何讓計算機處理並分析大量(人類的)自然語言數據。NLP 常見的挑戰有語音辨識、自然語言理解、機器翻譯以及自然語言的生成,是近幾年成長最迅速的AI應用。
自然語言處理NLP常運用於語音辨識、自然語言理解、機器翻譯、聊天機器人以及自然語言的生成,主要在幫助機器理解,解釋和運用人類語言。
推薦系統是以每位顧客為基礎,根據他們的行為模式和喜好去做即時的推薦。多運用在商品推薦、電影推薦、音樂推薦中。
完訓後提供結業證書,豐富個人履歷即戰力。

學員反饋
  •  謝謝老師認真教導。收穫良多。
  •  期望艾鍗學院能多開AI人工智慧的應用課程 , 能讓我們在職場上更具有競爭力
  •  非常完整
  •  老師很用心,也有高速的現場程式能力,學到很多
  •  講解詳細
  •  老師不厭其煩,詳細解說觀念
  •  內容很實用
  •  老師教的非常仔細,受益良多🙏🙏🙏
  •  課程教到的概念,協助公司推展計畫
  •  工作上要做一個智能客服機器人,馬上用上上課教的框架實做
  •  有運用到自然語言的技術,判讀文章分群分類,再做決策準據,非常感謝
  •  有用推薦系統到電子商店