你想要這樣子學習AI嗎？
- 能教我Python程式並教我如何實際進行資料處理。
- 教我機器學習和深度學習的專業術語與觀念，並能了解其背後的意義及數學意義。
- 教我機器學習的各種演算法並且能以範例進行手把手實作教學。
- 深度學習是什麼? 可以用在那裡? 為什麼大家都要討論它。
- 深度學習的原理是什麼? 能以範例進行手把手實作教學。
課程介紹
這是一門有別於坊間的AI數位課程，我們不僅有清楚的觀念說明也有詳細的程式解說。
本課程第一階段以「程式打底」為目標，教授Python語言及Numpy、Pandas、Matplotlib如何進行資料處理與分析。第二階段介紹機器學習的各類演算法並以Scikit learn進行手把手實作教學。對於同類型演算法，將以同一種資料集讓學員能比較演算法之間的差異及各式參數對模型效能的影響。第三階段為深度學習，對於原理細節解說外，也會以Tensorflow/Keras手把手實作DNN、CNN、Transfer learning 及YOLO物件偵測等。
在數位學習中遇到任何問題，都能在專屬的助教專區中得到解答。如果你希望能真真正正從零到有的建構AI程式與應用的能力，本課程是你最好的選擇。你的AI能力檔次，由你決定!為什麼要選擇艾鍗
線上課程平台何其之多? Udxx、couxxx、haxx、tibxx等，更大的是免費的Youtube 頻道。但如果你期待AI能力的培養是系統性、連貫式的學習，進而能具備AI實作能力，那麼艾鍗的數位AI課程將是你的首選。
| 艾鍗 | 其他平台業者 | Youtube | |
|---|---|---|---|
| 定位 | 只專注研發工程師的技術課程 | 各式各類課程 | |
| 課程安排 | 內容同實體班上課架構規劃，有系統的教學。 | 不一定有接受過實體授課的考驗 | 有些大學錄製很好.但缺乏系統性、連貫式的 |
| 語言 | 中文 | Couxxx、Udxxx英文居多 | 英文居多 |
| 適合對象 | 期待有系統性、連貫式的學習 | ||
| 實體紙本講義 | 有 | 大多沒有 | 無 |
| 詳細Code 解說且程式範例檔案分類整理 | 有 | 大多沒有 | 無 |
| 線上助教系統 | 有 | 不一定有 | 無 |
我可以學到什麼？
Part1 Python與資料科學
- 能快速熟悉Python語言的核心與Python常用的資料結構
- 學會運用資料科學常用套件-Numpy、pandas、matplotlib來處理、分析與圖表化資料
- 機器學習的設計方法與術語-從迴歸(Regression)方程式認識機器學習的基本精神
- 能不使用任何工具套件，以Python實作迴歸方程式
- 了解機器學習的概念
- 學會Regression、Classification、Clustering 機器學習相關演算法基本原理
- 學會用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Random Forest等等Machine Learning 的實作。
- 學會強化式學習及其實作
- 了解深度學習的原理及各種訓練技巧-Batch Normalization, Dropout, Early Stopping,…
- 學會使用Keras進行深層神經網路(DNN)實作
- CNN模型與工作原理並能實作CNN影像分類與進階技巧
- YOLO實作影像偵測
學習菜單
• 課程總時數 : 58小時
• 觀看天數：90天
• 課程所附教材 :
-精編講義、範例程式碼
-實體紙本講義
-詳細Code 解說且程式範例檔案分類整理
-線上助教系統
-實體紙本講義
-詳細Code 解說且程式範例檔案分類整理
-線上助教系統
章章精彩、片刻不冷場，給你最充實的內容，
幫你打穩前進AI人工智慧的基本功。
幫你打穩前進AI人工智慧的基本功。
- AI人工智慧-Python資料科學
- Basic Python
► Python 簡介
► 變數與動態資料型別
► 運算式
► 序列資料結構- list, tuple, range
► 流程控制
► 更多資料結構-set, frozenset, dict, byte, bytearray
► 函數
► 變數命名空間
► 類別設計
► 例外處理
► 模組與套件
► 輸入輸出與檔案處理(txt,csv,JSON, pickle)
► 其他(https urlib、beautifulshop,…)
► 附錄: Anaconda Windows/Linux安裝與使用
• conda 套件管理
• conda 虛擬環境
• ipython interpreter
• jupyter notebook - Data Science
► 數值運算-使用Numpy
► 資料視覺化-使用Matplotlib
► 資料擷取與處理-使用Pandas
► 機器學習的設計方法與術語
► 手刻GD最佳化演算法
► 手刻Regression 方法 - AI人工智慧-機器學習
-
► 人工智慧簡介
► 機器學習簡介
► 資料與特徵
► ML實作使用Scikit-learn
► 機器學習演算法
• Linear Regression
• Regularization
• Logistic Regression
• EDA
• multi-class
• KNN
• Decision Tree
• Random Forest
• Ensemble Method
• Classification metric
• Dimensionality reduction
▪ PCA
• Clustering
▪ K-means
▪ Hierarchical Method
• Reinforcement Learning
▪ Q-learning - AI人工智慧-深度學習
- Deep Learning
► 機器學習與深度學習技術簡介
► 類神經網路運作原理與相關技術解說
► Keras程式架構
► DNN實作Iris分類問題-使用Keras
► DNN實作MNIST手寫數字分類問題-使用Keras
► 加入更多訓練技巧-Batch Normalization, Dropout, Early Stopping,…
► CNN網路模型原理
► CNN實作MNIST手寫數字識別-使用Keras
► CNN實作交通號誌圖像識別-使用Keras
► Image Augmentation 增加訓練資料-影像擴展
► 知名CNN網路模型(AlexNet、VGG16、ResNet50,…)
► Transfer Learning 原理與實作-FineTune
► 透視CNN網路(CNN Visualization)
► YOLO 多物件偵測與程式架構說明0
► Appendix I : Google Colaboratory 使用說明 -
如果你想與講師一對一互動，我們也有實體課程喔! [課程傳送門]
► 課程搶先看
| 機器學習 - Bagging algorithm : Adaboost | 機器學習 - DecisionTree-Entropy |
| 數位課程試讀 - Deep learning#2 | 數位課程試讀 - Deep learning#3 |
如何學好課程呢？
秘訣1:跟著老師的範例做練習，直到熟悉。
老師的教材都是以銜接產業實務為主軸出發，經過精心整理的經驗精華。如果你能熟悉老師教的範圍，代表你能已經是一個合格的初階工程師。
老師的教材都是以銜接產業實務為主軸出發，經過精心整理的經驗精華。如果你能熟悉老師教的範圍，代表你能已經是一個合格的初階工程師。
秘訣2:不懂的地方，可以反覆看。多看幾次就懂了。
玩遊戲打怪需要到一定的經驗值才能升級，學習就宛如打怪，累積到一定的學習時間，你就會”level up”很多知識觀念就會變成一種自然而然的反應。
玩遊戲打怪需要到一定的經驗值才能升級，學習就宛如打怪，累積到一定的學習時間，你就會”level up”很多知識觀念就會變成一種自然而然的反應。
秘訣3:善用Google。
學習程式，主要就是在學習一種邏輯思維、一種解決問題的思考程序。透過google，先試著自己解答自己的疑問，你會在過程中得到很多收穫，會很有成就感。優秀的工程師都會先試著靠自己的力量找答案，以優秀的工程師為目標，你也離優秀的工程師將更近一步。
學習程式，主要就是在學習一種邏輯思維、一種解決問題的思考程序。透過google，先試著自己解答自己的疑問，你會在過程中得到很多收穫，會很有成就感。優秀的工程師都會先試著靠自己的力量找答案，以優秀的工程師為目標，你也離優秀的工程師將更近一步。
秘訣4:求助最強的後盾
的確，有時候靠著自己的能力仍然無法解決問題，如果對練習題目還是不懂或是寫程式卡關，別忘了你有最堅強的後盾。歡迎來信到助教信箱Email住址會使用灌水程式保護機制。你需要啟動Javascript才能觀看它
的確，有時候靠著自己的能力仍然無法解決問題，如果對練習題目還是不懂或是寫程式卡關，別忘了你有最堅強的後盾。歡迎來信到助教信箱Email住址會使用灌水程式保護機制。你需要啟動Javascript才能觀看它
學員見證
- 吳同學 : 我非常喜歡這些課程內容，讓我清楚學會如何神經網路模型和相關參數的設定。
- 許同學 : This course is great. I like it.
- 邱同學 : 很棒的課程。原本我以為我會寫python，上完課後的感覺是原來我之前學的好淺喔。
- 章同學 : 課程內容不錯，可以用淺顯易懂的方式讓我理解一些很抽象的概念。
- 王同學 : 哇! 內容真的很扎實。
- 林同學 : 解釋得很清楚。
- 李同學 : 我覺得神經網路內容的講解很棒。唯一美中不足的地方就是沒教RNN。XD
全新數位平台
