艾鍗學院 - AI機器學習與深度學習

el-AI-Python

現在位置：艾鍗學院＞數位學習＞ AI人工智慧系列學程 (Python資料科學+機器學習+深度學習)

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

Part2 機器學習

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

Part3 深度學習

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 : 68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

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。

Part 1-Python程式 (14小時)(點選展開)

►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

Part2-Python資料科學套件(9小時)(點選展開)

►資料矩陣運算使用Numpy
►資料匯入匯出使用Pandas
►繪圖與製表使用Matplotlib
►機器學習基本概念
►最佳化演算法:GD,SGD,Adagrad,Adam,Momentum
►手刻最佳化演算法
►實作線性迴歸分析-預測未來PM2.5數值

Part3-機器學習實務(21小時)(點選展開)

►人工智慧簡介
►機器學習簡介
►資料與特徵
►ML實作使用Scikit-learn
► Linear Regression
- ►Gradient Descent
- ►Loss Function
- ►Regularization: Ridge vs Lasso regression
►Classification
- ►Logistic Regression
- ►KNN
- ►Decision Tree
- ►Random Forest
►Performance metric
- ►Confusion matrix, Precision, recall, F1-score, AUC
►Ensemble Method
- ►Adaboost Algorithm
►Dimensionality reduction-- PCA
►Clustering
- ►K-means
- ►Hierarchical Method
►Reinforcement Learning
- ►Q-learning Algorithm & Implementatio

Part4-深度學習實務(21小時)(點選展開)

►機器學習與深度學習技術簡介
►深度學習(深層神經網路) DNN運作原理與相關技術解說
►TensorFlow/Keras程式架構
►DNN
- ►DNN Regression
- ► DNN分類-使用Keras
►加入更多訓練技巧-Batch Normalization, Dropout, Early Stopping…
►CNN
- ►CNN網路運作原理
- ►CNN圖像分類-使用Keras
- ►Image Augmentation
- ►知名CNN網路模型(AlexNet、VGG16、ResNet50…)
- ►Transfer Learning原理與實作
►YOLO 多物件偵測與程式架構說明
►RNN
- ►RNN網路運作原理
- ►RNN Regression
- ►RNN KKTV 預測上線
- ►RNN機器翻譯
►Appendix I : Google Colaboratory 使用說明
►Appendix II: GPU配置教學與效能評估