艾鍗學院 - iPAS機器學習工程師能力鑑定課程

ipas banner ML

iPAS將於5/25考試
考試倒數計時

日

小時

分

秒

◆ 歡迎企業/學校單位索取輔導考照資訊
◆ 賀！講師團隊高分通過第一次iPAS初級機器學習工程師能力鑑定

3大學習理由

理由1 : 優先獲得企業面試/聘用及加薪之機會
iPAS產業人才能力鑑定是經濟部為充裕產業升級轉型所需人才，整合產官學研能量所建立的鑑定體制。目前有801家以上企業簽署認同，如鴻海、台積電、聯發科、宏達電、華碩電腦等，承諾優先聘用獲證者，代表你的專業能力由政府作保證，更容易獲得企業優先面試/聘用及加薪之機會。

理由2 : 無形專業，有形呈現！獲證讓你的實力和衝勁被看見，獲得晉升機會
身為職場工作者，一樣都要學習提升自己、累積實作經驗，若能留下證照作為成果與憑證，何樂而不為？！ iPAS認證制度依照專業程度分成 : 初級、中級、高級。各級都有明確律定該具備的能力，逐步闖關通過，個人成長的企圖心、積極度看的見，讓你在人海中脫穎而出！

理由3 : AI即未來！各大產業離不開機器學習
人工智慧如火如荼發展，整個產業勢必向智慧化靠攏， AI人才需求也倍數增長！或許你短期沒有轉職就業的需求，但身為偌大產業的一份子，勢必會遇到、碰到、用到，或是必須協同、參與、領導相關的產品專案。與其相見恨晚，不如加入學習，掌握先機！
◎ 歡迎企業/學校單位索取輔導考照資訊

鑑測資訊

機器學習工程師能力鑑定初級

• 鑑測科目

專業級等	科目(共2科)	能力指標	鑑測資訊
初級	1.機器學習概論	瞭解機器學習相關之數學基礎、演算法原理及產業應用，並掌握資料處理及模型驗證之專業知識與技能，具備進入該專業人員之入門水準。	詳見 iPAS官網
初級	2.機器學習資料解析與建模		詳見 iPAS官網

專業等級

考試日期

時間

題型

鑑定方式

考區

初級

第一次： 113/05/25(六)

第二次： 113/11/16(六)

09:00~10:15

(75分鐘)

單選題各50題

電腦測驗

台北、台中、高雄

10:45~12:00

(75分鐘)

(資料來源 : iPAS官網)

• 建議報考對象 (符合任一項):

1. 大三以上學歷
2. 專科畢業且具2年相關工作經驗

為什麼選擇艾鍗學院

艾鍗學院擁有豐富的培訓經驗，是全國首家為iPAS機器學習工程師能力鑑定量身規劃課程的培訓中心，培訓對象包含想要進入相關產業工作的新人，或有2年以上相關工作經驗者，也適合以本證照作為畢業資格之一或是為求職加分的大學生。
本班講師將完整解析iPAS認證題目，帶給學員最有幫助的iPAS應試方針。

學習目標

帶你了解機器學習產業發展趨勢及應用方向
養成資料特徵與資料預處理能力，並能運用探索式資料分析(EDA)，洞悉數據關聯性。
教你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。
漸進式熟悉機器學習演算法與模型建立流程，後續模型訓練成效之驗證。
從提供之iPAS樣題詳細解析中，了解更多觀念與實作技巧

學習菜單

章章精彩、片刻不冷場幫你打穩前進機器學習工程師的基本功。

課程所附教材：
- 完整範例程式碼 (使用Google Colab)
- 實體紙本講義
- 線上助教系統

初級

Part 1. 機器學習觀念打底

Section A：資料處理分析與特徵選擇

1. 人工智慧與機器學習簡介
2. 機器學習如何進行學習
3. 資料與特徵
4. 機器學習建立模型的流程
5. 探索式資料分析(EDA)與資料預處理方法
6. 如何挑選好的特徵? Feature Selection v.s. Feature Extraction

Section B：監督式機器學習演算法

1. 迴歸模型:
- 線性迴歸▼
- Ridge v.s. Lasso 線性迴歸
- 評估迴歸模型的性能指標
2. 分類模型:
- Logistic Regression 演算法
- KNN 演算法
- 決策樹演算法
- SVM 演算法與數學原理
- 評估分類模型的性能指標
3. Ensemble Method
- Random Forest隨機森林
- Adaboost

Section C：非監督式機器學習演算法

1. 降維:
- PCA 演算法▼
2. Clustering:
- K-means 演算法
- Hierarchical Method 演算法
3. 強化學習
- 強化學習的架構
- Q-learning 演算法

Section D：深度學習

1. 深度學習技術簡介
2. 類神經網路運算模型原理
3. 深度學習建立模型的流程
4. 深度學習框架TensorFlow/Keras 程式架構說明
5. 其他網路結構簡介：RNN/LSTM、CNN

Part 2. Python實作機器學習

1. 資料處理工具: Numpy、Pandas▼
2. 視覺化工具: Matplotlib▼
3. 機器學習工具:Scikit-learn
4. 迴歸模型實作
- y=f(x) 的函式預測
- 價格預測模型
5. 鳶尾花花卉分類與探討▼
- 使用Logistic Regression
- 使用KNN
- 使用Decision Tree▼
- 使用SVM▼
- 使用Random Forest
- 使用Adaboost
6.PCA 降維使用Scikit-learn▼
7.K-means分群使用Scikit-learn▼
8.Hierarchical方法分群使用Scikit-learn▼
9.強化學習-找寶藏地圖實作解析▼
Part 3. iPAS機器學習工程師範例試題詳解