聯繫我們

課程簡介

1. AI工程簡介

  • 什麼是AI工程?
  • AI、機器學習與深度學習的差異
  • AI工程生命週期
  • 各產業中的AI應用
  • AI工程師的角色與責任

2.人工智慧基礎

  • 核心AI概念與術語
  • 監督式學習、非監督式學習與增強學習
  • 神經網路與深度學習基礎
  • 生成式AI與基礎模型概覽
  • AI開發生態系與框架

3.用於AI工程的Python

  • AI必備的Python函式庫
  • NumPy、Pandas和Matplotlib
  • 資料處理與視覺化
  • 使用Jupyter Notebooks進行開發
  • 編寫可重複使用的AI程式碼

4.AI數據準備

  • 收集與理解資料集
  • 資料清洗與預處理
  • 特徵工程
  • 特徵縮放與標準化
  • 將資料集劃分為訓練、驗證與測試集
  • 處理缺失值與異常值

5.機器學習基礎

  • 迴歸演算法
  • 分類演算法
  • 叢集技術
  • 模型訓練工作流程
  • 模型評估指標
  • 防止過擬合與欠擬合

6.使用TensorFlow和PyTorch構建AI模型

  • TensorFlow簡介
  • PyTorch簡介
  • 創建神經網路
  • 模型訓練與驗證
  • 模型的保存與加載
  • 比較兩個框架

7.自然語言處理基礎

  • 文本預處理
  • 詞嵌入
  • 文本分類
  • 情感分析
  • Transformer模型簡介
  • 實際NLP應用

8.軟體開發中的AI

  • 將AI整合至現有應用程式
  • 通過API調用AI服務
  • 開發AI驅動的應用程式
  • AI輔助軟體開發工具
  • 測試具備AI功能的應用程式

9.AI工程最佳實務

  • 專案組織
  • 使用Git進行版本控制
  • 實驗追蹤
  • 模型版本管理
  • 文件標準化
  • AI專案的可重複性

10.AI模型部署

  • 模型序列化
  • 構建推理服務
  • AI模型的REST APIs
  • Docker用於AI部署簡介
  • 監控已部署的模型
  • 模型的維護與更新

11.AI數據工程

  • 資料管線
  • ETL流程
  • 管理結構化與非結構化資料
  • 資料儲存選項
  • 資料品質管理
  • 準備生產級別的資料集

12.負責任與合乎倫理的AI

  • AI偏見與公平性
  • 可解釋式AI (XAI)
  • 隱私與資料保護
  • AI安全考量
  • 負責任的AI開發
  • 法規與治理考量

13.AI專案管理

  • AI專案生命週期
  • 適用於AI專案的敏捷方法論
  • 技術團隊與商業團隊的合作
  • 估算AI專案
  • 風險管理
  • 衡量專案成功

14.AI工程實作工作坊與未來趨勢

  • 搭建完整的AI開發工作流程
  • 構建端到端的機器學習專案
  • 使用TensorFlow或PyTorch訓練並評估模型
  • 部署簡易AI應用程式
  • AI工程當前趨勢
  • 生成式AI與大型語言模型 (LLMs)
  • MLOps與AI自動化
  • 職業發展路徑與持續學習
  • 總結、問答環節與下一步行動

最低要求

  • 具備基本程式設計概念的理解
  • 有Python程式設計的經驗
  • 熟悉基礎統計學與線性代數

目標受眾

  • AI工程師
  • 軟體開發人員
  • 資料分析師
 14 小時

客戶評論 (2)

課程分類