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。

• 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

• 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
  ► 資料視覺化線-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
  • Classification
  ▪ Logistic Regression
  ▪ SVC
  ▪ Decision Tree
  ▪ Random Forest
  ▪ Ensemble Method: Bagging, Boosting
  - Adaboost algorithm
  • 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

• 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