課程起源:
大資料(Big Data)時代的來臨使得複雜資料建模的工作日形重要,Google、Microsoft、Facebook等公司正積極養成深度學習團隊,發展符合複雜資料建模的學習算法,架構進階的智能化系統。因此,深度學習已然成為資料科學家必備的武器之一,它除了應用在常見結構化資料上,亦擅長於處理文字、影像、視頻、語音等低結構化資料,本課程運用Python語言深度學習可用之套件和函數(Keras, TensorFlow),探討各類深度學習模型,優化超參數及避免過度配適,以提高模型應用的準確度。實作案例涵蓋時間序列分析、電腦視覺、以及自然語言處理等應用。
課程目標:
學習深度學習各種方法的理論與應用實務,並能運用Keras及其它Python語言深度學習函式庫,期能讓學員短時間內掌握深度學習的重要知識。
課程特色:
網羅統計、作業研究、資料探勘、機器學習、演算法與人工智慧方面多年相關教學經驗的跨領域師資,除了實機操作外,並分享在氣象、交通、互聯網、零售、金融與製造等領域的實戰分析經驗,讓學員掌握大資料know-how的全貌,明瞭不同方法、工具與應用領域之間的差異,活用資料分析技術與抓住未來發展趨勢。
課程時間地點:
課程優惠:
原價20,000元整 (含上課講義、28小時研習證明與午餐)
早鳥/舊生優惠價(12月1日前):12,000元/人
二人以上團體:11,000元/人
三人以上團體:9,900元/人
講師介紹:
AsiaAnalytics專業講師:鄒慶士 博士
明志科技大學機械工程系特聘教授兼人工智慧暨資料科學研究中心主任、國立臺北商業大學資訊與決策科學研究所教授、社團法人中華品質評鑑協會常務監事、曾任中華R軟體學會理事長、曾任臺灣資料科學與商業應用協會理事長。(著有大數據分析與應用實戰:統計機器學習之資料導向程式設計ISBN978-957-43-6340-7)
課程大綱:
課程主題 | 詳細內容 | 課時 |
電腦視覺基礎 | 人工智慧、機器學習與深度學習 | 6 |
數位影像處理與OpenCV簡介 | ||
OpenCV與屬性萃取及物件分割 | ||
OpenCV與物件偵測及追蹤 | ||
類神經網路設計 | 多層感知機 | 3 |
類神經網路進階 | ||
卷積類神經網路基礎 | ||
卷積類神經網路進階 | 遷移學習與物件分類 | 4.5 |
卷積類神經網路結果釋義 | ||
多任務學習 | ||
區域卷積類神經網路與物件偵測 | ||
非監督式屬性萃取 | 從自動編碼器到變分自動編碼器 | 6 |
字詞嵌入與表徵學習 | ||
受限波茲曼機原理與應用 | ||
賽局模型、生成式對抗學習與創作輔助 | ||
序列型資料預測建模 | Elman與Jordan遞歸類神經網路原理與應用 | 4.5 |
長短期記憶及閘式遞歸類神經網路原理與應用 | ||
動態規劃、馬可夫決策過程與強化式學習簡介 |
※本課程建議需有Python基礎者報名。
※本課程需自備筆電。
近期熱門活動...
|