聯繫我們

課程簡介

監督式學習:分類與回歸

  • Python 機器學習:scikit-learn API 介紹
    • 線性迴歸與邏輯迴歸
    • 支援向量機
    • 神經網路
    • 隨機森林
  • 使用 scikit-learn 建置端到端監督式學習管線
    • 處理資料檔案
    • 填補遺漏值
    • 處理分項變數
    • 資料視覺化

AI 應用開發的 Python 框架:

  • TensorFlow、Theano、Caffe 與 Keras
  • 使用 Apache Spark Mlib 實現大規模 AI

進階神經網路架構

  • 用於影像分析的卷積神經網路
  • 用於時間結構化資料的循環神經網路
  • 長短期記憶單元

非監督式學習:分群、異常檢測

  • 使用 scikit-learn 實作主成分分析
  • 在 Keras 中實作自編碼器

AI 可解決問題的實務範例(使用 Jupyter notebooks 的實際練習),例如:

  • 影像分析
  • 預測複雜財務數據,如股價,
  • 複雜模式識別
  • 自然語言處理
  • 推薦系統

理解 AI 方法的局限性:故障模式、成本與常見困難

  • 過度擬合
  • 偏差/方差權衡
  • 觀測資料中的偏差
  • 神經網路投毒

應用專案(選修)

最低要求

報名本課程無需特定前置條件。

 28 小時

客戶評論 (2)

課程分類