7/1(六)~7/2(日)Python人工通用智慧與元學習實作課程

課程介紹：

　 人工通用智慧(Artificial General Intelligence, AGI)是人工智慧未來發展的一項重要技術，AGI與普通“人工智慧”的區別在於後者絕大部分都與所謂的“狹義人工智能”有關，也就是創建在專門領域的智能程序，例如下棋、醫學診斷、汽車自動駕駛、代數計算或數學定理證明等；而AGI旨在構建一個能夠解決各種不同領域中複雜問題的軟體程序。人工通用智慧其實是人工智慧領域最初的焦點，但由於問題的複雜性，似乎沒有多少人工智慧研究人員直接關注它了。
　 隨著工業互聯網與大數據的發展，無所不在的感測器可以捕捉到許多缺陷圖像，然而如何準確檢測瑕疵成為研究熱點。深度學習在過去的幾年裡越來越受到歡迎，不過深度神經網路模型的參數通常遠大於手中的缺陷樣本，非常容易獲得過度配適的(overfitted)模型。解決這個問題的傳統方法包括資料增強(data augmentation)和遷移學習(transfer learning)，但是模型仍然需要在昂貴的計算資源上進行訓練估計。

　 因此，本課程著重在人工通用智慧概念下的元學習(meta learning)和少樣本學習(few-shot learning)技術。結合遷移學習(transfer learning)中預訓練(pre-trained)與參數微調(fine tuning)等方法，定義合宜的小樣本學習損失函數(loss functions)，嘗試對知名的測試樣本集(Omniglot、miniImageNet或NEU Steel)進行實驗、評估、分析與比較 ，協助學員打下人工通用智慧建模的基礎。

課程時間及優惠：

課程日期：7/1(六)~7/2(日)共2天；上午9：30至下午4：30(中午休息1小時)

原價12,800元整 (含上課講義、16小時研習證明與午餐)

早鳥(6月20日前)/舊生：7,000元／人 

二人以上團體：6,000元／人

講師介紹：

析數智匯特聘專業講師／鄒慶士 博士

課程大綱：

• 遷移學習與參數微調實作(transfer learning and fine tuning)
• 多任務學習與物件偵測(multi-tasklearning and object detection)
• 元學習與少量樣本學習(meta-learning and few-shot learning)
• 連體網路(Siamese networks)臉部辨識應用
• 原形網路(prototypical networks)書寫辨識應用
• 關係網路(relation networks)與零樣本學習(zero-shot learning)
• 模型無知元學習(Model Agnostic Meta Learning,MAML)與爬蟲算法(Reptile)