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

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,…

• 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

• 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
  
  

  - 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

  
  
  
  

  推薦系統 資料來源

  

• 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

• 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