深度學習在自然語言理解中的應用：超越傳統NLP模型培訓

本課程涵蓋汽車行業中的人類智能（強調機器學習和深度學習）。它有助於確定哪些技術可以在汽車的多種情況下（潛在地）使用：從簡單自動化、圖像識別到自主決策。

探索人工智慧的基礎原理，揭示智能技術如何重塑企業營運中的數位策略、自動化與決策過程。內容涵蓋人工智慧歷史、問題解決框架、知識表示、不確定推理及機器學習範式，並結合溝通、感知與自主行動等核心概念。引導高階主管與架構師評估AI驅動轉型機會、審視新興科技趨勢，並整合實用智能解決方案，以加速業務敏捷性。

這門在 澳門（線上或線下）進行的教師主導型實時培訓，對象為希望理解 AlphaFold 運作原理的生物學家，並將其模型作為實驗研究的指引。

在本培訓結束時，參與者將能夠：

• 理解 AlphaFold 的基本原理。
• 學習 AlphaFold 的運作方式。
• 學習如何解析 AlphaFold 的預測與結果。

人工神經網絡是一種用於開發能夠執行「智能」任務的人工智慧（AI）系統的計算數據模型。神經網絡通常應用於機器學習（ML），而機器學習本身是 AI 的一種實現方式。深度學習則是機器學習的一個子集。

「從零開始應用 AI（Python）」為程式設計師和數據分析師提供紮實的基礎技術，協助他們利用 Python 從頭建構機器學習解決方案。內容涵蓋監督式學習（分類與回歸）、非監督式學習（分群與異常檢測）的核心原理，以及進階神經網路架構。課程檢討運用 scikit-learn、Apache Spark MLlib 和 Jupyter notebooks 進行實際 AI 開發的有效方法。協助專業人士實作實務機器學習模型、評估演算法的局限性，並完成應用專案以解決真實世界問題。

這門在 澳門（線上或線下）舉辦的由導師指導的培訓，旨在幫助高階專業人士深化對電腦視覺的理解，並探索使用 Google Colab 開發複雜視覺模型的 TensorFlow 能力。

完成本課程後，學員能夠：

• 使用 TensorFlow 構建和訓練卷積神經網絡 (CNN)。
• 利用 Google Colab 進行可擴展且高效的雲端模型開發。
• 實施圖像預處理技巧以用於電腦視覺任務。
• 將電腦視覺模型部署到實際應用場景中。
• 運用遷移學習提升 CNN 模型的表現。
• 視覺化並解讀圖像分類模型的結果。

此於澳門（線上或線下）舉行的由講師指導的即時培訓，提供模式識別和機器學習領域的入門介紹。內容涵蓋統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學的實際應用。

完成本培訓後，參與者將能夠：

• 應用核心統計方法進行模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施用於解決複雜問題的高級技術。
• 通過組合不同模型來提高預測準確性。

這門在 澳門（線上或線下）進行的講師指導培訓，針對希望了解並應用 Google Colab 環境中深度學習技術的中級數據科學家和開發人員。

完成本課程後，學員將能夠：

• 為深度學習項目設置和導航 Google Colab。
• 理解神經網絡的基本原理。
• 使用 TensorFlow 實施深度學習模型。
• 訓練和評估深度學習模型。
• 利用 TensorFlow 的高級功能進行深度學習。

深度強化學習 (DRL) 將強化學習原理與深度學習架構結合，使智能體能透過與環境互動來做出決策。它推動了許多現代人工智慧的進步，包括自動駕駛車輛、機器人控制、演算法交易和自適應推薦系統等領域。DRL 讓人工智慧智能體能夠透過試錯及獎勵導向的學習機制，學習策略、優化政策，並做出自主決策。

本課程為由講師主導的實作培訓 (提供線上或線下教學模式), 主要針對希望學習並應用深度強化學習技術, 以建構能在複雜環境中進行自主決策的智慧型智能體的初階至中階開發人員與數據科學家。

完成本課程後, 學員將能夠:

• 理解強化學習的理論基礎及其數學原理。
• 實作關鍵 RL 演算法, 包括 Q-Learning、Policy Gradients 及 Actor-Critic 方法。
• 使用 TensorFlow 或 PyTorch 建立並訓練深度強化學習智能體。
• 將 DRL 應用於遊戲, 機器人以及決策優化等實際場景。
• 使用現代化工具進行除錯、視覺化及優化訓練效能。

課程形式

• 互動式講授與引導式討論。
• 實作演練與實務應用。
• 即時程式碼演示與專案導向的應用練習。

課程客製化選項

• 若需客製化本課程內容 (例如: 使用 PyTorch 取代 TensorFlow), 請聯繫我們以安排相關事宜。

這門在 澳門（線上或線下）進行的由講師指導的現場培訓，旨在針對希望利用 TensorFlow Lite 進行邊緣 AI 應用的中級開發人員、數據科學家和 AI 從業者。

在本課程結束時，參與者將能夠：

• 理解 TensorFlow Lite 的基本概念及其在邊緣 AI 中的作用。
• 使用 TensorFlow Lite 開發和優化 AI 模型。
• 在各種邊緣設備上部署 TensorFlow Lite 模型。
• 利用工具和技術進行模型轉換和優化。
• 實施使用 TensorFlow Lite 的實用邊緣 AI 應用。

本次在澳門（線上或線下）舉辦的由講師主導的實地培訓，旨在幫助希望使用TensorFlow分析潛在欺詐數據資料科學家。

完成本課程後，學員將能夠：

• 在Python和TensorFlow中建立欺詐檢測模型。
• 構建線性回歸及線性回歸模型來預測欺詐行為。
• 開發端到端的AI應用程序以分析欺詐數據

這門課程提供澳門（線上或線下）的實時講師培訓，適合希望使用 TensorFlow 2.x 構建預測模型、分類器、生成模型、神經網絡等的開發者和數據科學家。

參加完本課程後，學員將能夠：

• 安裝並配置 TensorFlow 2.x。
• 理解 TensorFlow 2.x 相對於前版本的優勢。
• 構建深度學習模型。
• 實現進階影像分類器。
• 將深度學習模型部署至雲端、移動設備和 IoT 設備。

本課程將為您提供關於神經網絡和機器學習算法、深度學習（算法與應用）的概念性知識。

培訓的第一部分（占40%）側重於基礎知識，但會幫助您選擇正確的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

培訓的第二部分（占20%）介紹Theano - 一個使編寫深度學習模型變得簡單的Python庫。

培訓的第三部分（占40%）將廣泛基於Tensorflow - Google開源軟件庫用於深度學習的API。示例和實踐操作都將在TensorFlow中進行。

受眾

本課程旨在幫助尋求使用TensorFlow進行深度學習項目的工程師

完成此課程後，學員將：

• 對深度神經網絡(DNN)、CNN和RNN有深入理解
• 理解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試、監控
• 能夠實施先進的生產級訓練模型，構建圖形並記錄日誌

這種由講師指導的現場培訓在 澳門 （線上或線下）旨在服務希望探索深度學習模型最前沿 XAI 技術的高級專業人士，重點在於構建可解釋的 AI 系統。

在本課程結束時，參與者將能夠：

• 理解深度學習中可解釋性的挑戰。
• 為神經網絡實施先進的 XAI 技術。
• 解釋深度學習模型做出的決策。
• 評估性能與透明度之間的權衡。