課程說明:
大數據(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,亦擅長於處理語音、文字、視頻、影像等低結構化資料,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、圖像辨識、以及自然語言處理等應用。
「Python語言深度學習應用」課程從類神經網路理論發展沿革開始介紹,涵蓋非監督式與監督式深度學習模型,透過案例介紹常用工具框架,輔以整合式開發環境Jupyter Notebook或Spyder進行實機操作,逐步達成深度學習精準建模的目標。
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TensorFlow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)
早鳥優惠價(1月31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 教授
鄒慶士博士(國立臺北商業大學資訊與決策科學研究所教授兼資料科學應用研究中心主任、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 | 時數 |
類神經網路基礎 | (1)類神經網路設計 (ex.單層&多層、神經網路架構&最佳化函數選擇、過度配適與係數縮減...) | 6 |
(2)Python深度學習框架介紹 | ||
(3)TensorFlow 1.4與2.0簡介 | ||
屬性萃取與 預測建模 | (4)卷積式類神經網路 (Convolutional Neural Networks)原理與應用 | 18 |
(5)字詞嵌入與表徵學習 (representational learning) | ||
(6)Elman與Jordan遞歸式類神經網路 (Elman, Jordan Neural Networks)原理與應用 | ||
(7)長短期記憶(Long Short Term Memory, LSTM)及閘式遞歸(Gated Recurrent Unit, GRU)神經網路原理與應用 | ||
(8)自動編碼器(Autoencoders)原理與應用 | ||
(9)受限波茲曼機(Restricted Boltzmann Machines, RBM)及生成式學習(generative learning)原理與應用 | ||
(10)賽局模型及生成式對抗學習(Generative Adversarial Networks, GAN)與創作輔助 | ||
(11)動態規劃、馬可夫決策過程與強化式學習(reinforcement learning) |
近期熱門活動...
|