線上 機器學習 培訓在 澳門

此講師主導的實作培訓（線上或線下）旨在協助初級專業人士理解預訓練模型的概念，並學習如何應用它們解決實際問題，無需從頭建構模型。

完成本培訓後，學員將能夠：

• 理解預訓練模型的概念與優勢。
• 探索多種預訓練模型架構及其適用情境。
• 針對特定任務微調預訓練模型。
• 在簡易機器學習專案中實作預訓練模型。

此導師主導的培訓課程（於 澳門 提供線上或線下模式），旨在協助不同專業程度的學員利用 Google AutoML 平台開發適用於各種應用的自定義聊天機器人。

完成本課程後，學員將能夠：

• 理解聊天機器人的基本開發原理。
• 熟悉 Google Cloud Platform，並存取 AutoML。
• 準備用於訓練聊天機器人模型的數據。
• 使用 AutoML 訓練和評估自定義聊天機器人模型。
• 將聊天機器人部署至不同平台與渠道並進行整合。
• 監控並持續優化聊天機器人的表現。

此為由講師帶領的實體培訓（線上或線下），旨在協助中階 AI 開發者、機器學習工程師及系統架構師優化 AI 模型以進行邊緣部署。

完成本培訓後，參與者將能：

• 了解在邊緣裝置上部署 AI 模型的挑戰與需求。
• 運用模型壓縮技術減少 AI 模型的規模與複雜度。
• 利用量化方法提升邊緣硬體上的模型效率。
• 實施剪枝及其他最佳化技術以改善模型效能。
• 將經過優化的 AI 模型部署至多種邊緣裝置。

此為講師指導之即時培訓，在澳門（線上或線下）舉辦，旨在協助中階開發者、數據科學家及科技愛好者掌握在各種應用場景中，將AI模型部署於邊緣裝置的實用技能。

完成本培訓後，學員將能夠：

• 理解邊緣AI的原理及其優勢。
• 設定並配置邊緣運算環境。
• 開發、訓練並優化適用於邊緣部署的AI模型。
• 於邊緣裝置上實作實用AI解決方案。
• 評估並改善已部署於邊緣之模型的效能。
• 處理邊緣AI應用中的倫理與安全考量。

此培訓由導師主導, 於 澳門（線上或線下）以 live training 形式進行, 針對具有中到高級經驗、希望透過現代 MLOps實踐提升 DeepSeek模型性能、減少延遲並高效部署 AI解決方案的進階級 AI工程師和數據科學家。

完成本培訓後, 學員將能夠：

• 優化 DeepSeek模型以提升效率、準確性及擴展性。
• 實作 MLOps 及模型版本控制的最佳實踐。
• 在雲端和本地基礎設施上部署 DeepSeek模型。
• 有效監控、維護和擴展 AI解決方案。

Kubernetes上的MLOps是一種框架，用於透過容器化管道和GitOps工作流程自動執行機器學習模型的訓練、驗證、封裝和部署。

此由導師指導的培訓課程（線上或線下）旨在針對希望建立可擴展且自動化的Kubernetes MLOps管道的中級從業者。

完成本培訓後，學員將能夠：

• 設計機器學習的端到端CI/CD管道。
• 實現用於模型部署和版本控制的GitOps工作流程。
• 自動化ML模型的訓練、測試和封裝。
• 整合監控、警報和回滾策略。

課程形式

• 導師導演的演示和技術深度探討。
• 建立實世界CI/CD工作流程的實作練習。
• 線上實驗室內，將ML工作負載部署至Kubernetes的實踐操作。

課程客製化選項

• 組織可請求與內部MLOps工具和基礎設施一致的自訂內容。

Kubeflow 是一個開放原始碼平台，旨在簡化在 Kubernetes 上建置、訓練及部署機器學習工作負載的過程。

此為由講師引導的實地培訓（線上或線下），針對希望使用 Kubeflow 建立可靠 ML 工作流的初級至中級專業人士設計。

完成本培訓後，學員將獲得以下技能：

• 瀏覽 Kubeflow 生態系統與核心組件。
• 利用 Kubeflow Pipelines 建立可重現的工作流。
• 在 Kubernetes 上運行具擴展性的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程格式

• 指導式簡報與協作討論。
• 結合真實 Kubeflow 組件的手實操作練習。
• 實際演練，用於建立端到端 ML 工作流。

課程客製化選項

• 可安排此培訓的客製化版本，以符合您團隊的技術棧與專案需求。

TinyML 是在資源受限的邊緣裝置上部署最佳化機器學習模型的實踐。

本課程為由導師主導的現場培訓（線上或線下），目標受眾為希望設計、優化及部署完整 TinyML 管道的進階技術專業人士。

完成此培訓後，參與者將能夠：

• 收集、準備及管理 TinyML 應用的資料集。
• 為低功耗微控制器訓練及最佳化模型。
• 將模型轉換為適合邊緣裝置的輕量級格式。
• 在實際硬體環境中部署、測試及監控 TinyML 應用。

課程形式

• 導師引導的講授與技術討論。
• 實作實驗室及迭代實驗。
• 在基於微控制器的平台上進行實作部署。

課程自訂選項

• 若要透過特定工具鏈、硬體板或內部工作流程來客製化培訓，請聯絡我們安排。

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。

此由講者主導的現場培訓在澳門（線上或線下）舉行，旨在讓進階專業人士精通自主系統背後的技術。

完成本培訓後，學員將能夠：

• 為自主決策規劃並實作AI模型。
• 開發用於自主導航與障礙物避免的控制演算法。
• 確保AI驅動自主系統的安全性和可靠性。
• 將自主系統整合至現有的機器人和AI框架。

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。

本課程為由導師帶領的實作訓練，在 澳門 進行（可選擇線上或線下），旨在協助進階專業人士深化對機器學習模型的理解，提升超參數調校的技能，並學習如何有效利用 Google Colab 部署模型。

完成培訓後，學員將能夠：

• 使用 Scikit-learn 和 TensorFlow 等流行框架實現進階機器學習模型。
• 透過超參數調校最佳化模型效能。
• 利用 Google Colab 在真實世界應用程式中部署機器學習模型。
• 在 Google Colab 上協作並管理大規模機器學習專案。

此種由講師主導的培訓課程（線上或線下）針對希望將AI技術應用於優化半導體製造中產量管理的初級至中級專業人士。

完成本課程後，學員將能夠：

• 分析生產數據以識別影響產量率的因素。
• 實施AI算法以增強產量管理流程。
• 優化生產參數，減少缺陷並提高產量。
• 將基於AI的產量管理整合到現有的生產工作流程中。

此種在[lac6][7lac]（線上或線下）由講師帶領的現場培訓，針對希望透過真實案例研究和基於Python的工具，在商業、預測和人工智慧驅動系統中應用機器學習的中階商業與人工智慧專業人士。

完成此培訓後，學員將能夠：

• 了解機器學習如何融入人工智慧和企業策略。
• 將監督式與非監督式學習技術應用於結構化商業問題。
• 對數據進行預處理和轉換以用於建模。
• 使用神經網路進行分類和預測任務。
• 使用統計機器學習方法進行銷售預測。
• 實施聚類和關聯規則挖掘，以進行客戶細分和模式發現。

這項在澳門（線上或線下）進行的講師主導即時培訓旨在針對希望將AI驅動的預測性維護技術應用於半導體製造以提高生產效率並減少意外設備故障的中階專業人士。

完成此培訓後，學員將能夠：

• 實施用於預測半導體製造中設備故障的AI模型。
• 分析維護數據以識別顯示潛在問題的模式和趨勢。
• 將AI驅動的預測性維護整合到現有的製造工作流程中。
• 透過主動式設備管理來減少停機時間和維護成本。

這門由導師主導的現場培訓在澳門（線上或線下）針對希望將前沿AI技術應用於半導體設計自動化的中高級專業人士，旨在提升晶片設計和驗證的效率、準確性和創新性。

完成本課程後，參與者將能夠：

• 運用高階AI技術優化半導體設計流程。
• 將機器學習模型整合至EDA工具以增強設計驗證。
• 開發針對晶片製造複雜設計挑戰的AI驅動解決方案。
• 利用神經網絡提高設計自動化的準確性和速度。

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。

這門在澳門（線上或線下）進行的由講師主講的實時培訓，旨在為希望理解並應用人工智能技術來優化半導體製造流程的中級專業人士提供指導。

完成本課程後，學員將能夠：

• 掌握用於晶片製造中流程優化的人工智慧方法論。
• 實施人工智慧模型以提高產量並減少缺陷。
• 分析工藝數據以識別關鍵參數。
• 應用機器學習技術來微調半導體製程。

本課程由導師現場指導，提供線上或線下培訓形式（澳門）。旨在協助中級學員自動化及管理機器學習工作流程，包含模型訓練、驗證及部署，採用 Apache Airflow 工具。

完成本培訓後，學員將能夠：

• 為機器學習工作流程協調設置 Apache Airflow。
• 自動化數據預處理、模型訓練和驗證任務。
• 將 Airflow 整合至機器學習框架和工具。
• 使用自動化管理管線部署機器學習模型。
• 監控並優化生產環境中的機器學習工作流程。

本課程由講師帶領進行 澳門 live 培訓（線上或線下），旨在協助具備中階水準的資料科學家與開發人員，利用 Google Colab 環境高效應用機器學習演算法。

完成本培訓後，學員將能夠：

• 設定並導航 Google Colab 以執行機器學習專案。
• 理解並應用多種機器學習演算法。
• 使用 Scikit-learn 等函式庫來分析與預測資料。
• 實施監督式與非監督式學習模型。
• 有效最佳化及評估機器學習模型。

TinyML 是指在高度資源受限的硬體上部署機器學習模型。

此由講師帶領的實時培訓（線上或線下）針對希望將 TinyML 模型優化為低延遲、記憶體高效的嵌入式裝置部署的高階從業人員。

完成本課程後，學員能夠：

• 運用量化、剪枝和壓縮技術，在不犧牲準確度的情況下減少模型大小。
• 針對延遲、記憶體使用量和能源效率對 TinyML 模型進行基準測試。
• 在微控制器和邊緣裝置上實施最佳化的推論管線。
• 評估效能、準確度與硬體限制之間的權衡。

課程格式

• 由講師主導的簡報，輔以技術示範。
• 實用的最佳化練習與比較性能測試。
• 在受控實驗室環境中動手實施 TinyML 管線。

課程客製化選項

• 如需針對特定硬體平台或內部工作流程進行量身打造的培訓，請聯絡我們以客製化計劃。

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。

此種在澳門（線上或線下）進行的由講師主導的實時培訓，旨在幫助初級專業人士理解和應用半導體製造產業中的人工智慧技術。

完成本培訓後，參與者將能夠：

• 了解人工智慧的基本原理及其在半導體製造中的應用方式。
• 識別半導體製造中可有效實施人工智慧的領域。
• 利用人工智慧工具和技術來提升生產效率及品質管制水平。
• 實施基本的人工智慧模型以優化製程。

Docker是一個容器化平台，用於為 ML 系統建構可重現、便攜且具擴展性的環境。

這項由講師主導的培訓課程（線上或線下），針對希望使用 Docker 將完整的 ML 管線容器化並投入運作的中階至高階技術專業人員。

完成本培訓後，學員能夠：

• 將 ML 訓練、驗證和推論負載容器化。
• 設計並編排使用 Docker 及支援工具的端到端 ML 管線。
• 為 ML 元件實施版本控制、可重現性及 CI/CD（持續整合與持續部署）。
• 在容器化環境中部署、監控及擴展 ML 服務。

課程形式

• 透過實作示範支援的互動式講授。
• 著重在建構真實 ML 管線元件的動手實作練習。
• 針對端到端容器化工作流程進行實時實驗室演練。

課程客製化選項

• 如需與特定 ML 基礎架構需求相符的客製化培訓，請聯絡我們討論相關選項。

本培訓在 澳門（線上或線下）由導師指導並提供即時教學，主要針對數據科學家與開發者，使其能運用 ML.NET 機器學習模型自動從執行的數據分析中推導預測結果，以用於企業應用程式。

培訓結束後，參與者將能夠：

• 安裝 ML.NET 並將其整合至應用程式開發環境。
• 理解 ML.NET 工具與演算法背後的機器學習原理。
• 建構及訓練機器學習模型，以聰明地利用提供資料進行預測。
• 使用 ML.NET 指標評估機器學習模型的性能。
• 基於 ML.NET 框架優化現有機器學習模型的準確度。
• 將 ML.NET 的機器學習概念應用至其他數據科學應用程式。

此由講師指導的即時培訓，在澳門（線上或線下）進行，旨在針對中級數據專業人士，幫助將機器學習技術應用於數據驅動業務問題，包括銷售預測和使用神經網絡進行預測建模。

完成本課程後，學員將能夠：

• 理解機器學習的核心概念和類型。
• 應用分類、回歸、聚類及關聯分析的關鍵演算法。
• 使用Python執行探索性數據分析與資料準備。
• 使用神經網絡處理非線性建模任務。
• 實施預測分析以進行業務預測，包括銷售數據。
• 利用視覺化和統計技術評估並優化模型性能。

這項在 澳門（線上或線下）進行的由導師主導的實時培訓旨在幫助中高級數據科學家、機器學習工程師、深度學習研究人員和計算機視覺專家，擴展其在文字到圖像生成的深度學習方面的知識和技能。

通過本培訓，參與者將能夠：

• 了解用於文字到圖像生成的進階深度學習架構和技術。
• 實現複雜模型和优化以生成高質量圖像。
• 優化大數據集和複雜模型的性能和擴展性。
• 調整超參數以提高模型性能和泛化能力。
• 將 Stable Diffusion 與其他深度學習框架和工具集成。

由講師帶領的即時培訓（線上或線下）旨在服務具備中級至高級技能的網路安全專業人員，協助他們提升在AI驅動的威脅偵測及事件回應方面的能力。

完成本培訓後，學員將能夠：

• 實現先進的AI演算法以進行即時威脅偵測。
• 針對特定網路安全挑戰客製化AI模型。
• 開發用於威脅回應的自動化工作流程。
• 保護AI驅動的安全工具免受對抗性攻擊。

此種由講師指導的現場培訓（線上或線下）旨在幫助初級嵌入式系統工程師及 AI 開發人員使用 TensorFlow Lite 和 Edge Impulse 在微控制器上部署機器學習模型。

完成培訓後，參與者將能夠：

• 理解 TinyML 的基本原理及其對邊緣 AI 應用的益處。
• 設定 TinyML 項目的開發環境。
• 在低功耗微控制器上訓練、優化並部署 AI 模型。
• 利用 TensorFlow Lite 和 Edge Impulse 實現現實世界中的 TinyML 應用。
• 為功率效率和記憶體限制優化 AI 模型。

這門由講師指導的現場培訓（線上或線下）針對初階資安專業人員，幫助他們學習如何運用AI提升威脅偵測與回應能力。

完成本課程後，參與者將能夠：

• 了解人工智慧在資安的應用場景。
• 實作用於威脅偵測的人工智慧演算法。
• 使用AI工具自動化事件處理程序。
• 將人工智慧整合至現有資安基礎設施中。

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。

這門在澳門（線上或線下）舉辦的由講師指導實訓課程，旨在幫助初級至中級的開發者和數據科學家掌握LightGBM的基礎知識，並探索進階技術。

完成本課程後，學員將能夠：

• 安裝並配置LightGBM。
• 理解梯度提升和決策樹算法背後的理論。
• 使用LightGBM執行基本和進階的機器學習任務。
• 實作進階技術，例如特徵工程、超參數調整與模型解釋。
• 將LightGBM與其他機器學習框架整合。
• 排除LightGBM的常見問題。

此於[loc]（線上或線下）舉辦的由講師帶領即時培訓，旨在幫助中階資料分析員學習如何使用RapidMiner來估計和預測數值，並利用分析工具進行時間序列預測。

完成培訓後，學員將能夠：

• 學習應用CRISP-DM方法論，選擇合適的機器學習算法，並優化模型構建與效能。
• 使用RapidMiner來估計和預測數值，並利用分析工具進行時間序列預測。

本線上或線下進行的講師親自指導培訓，旨在幫助希望利用 Stable Diffusion 為多種用例生成高質量圖像的數據科學家、機器學習工程師和計算機視覺研究人員。

通過本課程學習後，學員將能夠：

• 理解 Stable Diffusion 的原理及其圖像生成機制。
• 構建並訓練用於圖像生成任務的 Stable Diffusion 模型。
• 將 Stable Diffusion 應用於各種圖像生成場景，如繪畫修復、擴圖及圖像轉換。
• 優化 Stable Diffusion 模型的性能與穩定性。

本課程旨在培養應用機器學習方法的實際能力。透過使用 Python 程式語言及其各種函式庫，並基於眾多實踐範例，本課程教授如何使用機器學習最重要的建構模組、如何進行資料建模決策、解釋演算法輸出結果，以及如何驗證結果。

我們的目標是讓您掌握自信運用機器學習工具箱中基本工具的技能，並避免資料科學應用中的常見陷阱。

「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。

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。

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。

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。

這個8天的課程提供了一個完整的旅程，從堅實的Python工程基礎到高級AI系統設計。參與者將開發嚴謹的編碼實踐、掌握統計和深度學習方法，並構建生產就绪的生成式AI和基於代理的系統。重點放在可靠性、評估、安全和實際部署上，而不仅仅是實驗。

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。

透過涵蓋核心演算法的綜合性機器學習培訓課程，提升您的數據科學專業能力，內容包括朴素貝葉斯、決策樹、神經網絡、支持向量機和聚類技術。利用真實案例，結合理論基礎與實踐應用，獲取親手操作經驗。此課程適合尋求應用機器學習解決方案的數據分析師、軟件工程師、人工智能愛好者及商業專業人士。掌握分類性能指標、交叉驗證、偏差-方差权衡以及深度學習基礎知識，以構建健壯的預測模型。

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。

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

機器學習是人工智慧的一個分支，讓電腦具備在沒有被明確編程的情況下進行學習的能力。

深度學習是機器學習的一個子領域，使用基於數據表示和結構（如神經網路）的方法進行學習。

Python 是一種高階程式設計語言，以其清晰的語法和易讀性而聞名。

在這次講師帶領的現場實訓中，參與者將透過建立深度學習信用風險模型，逐步學習如何使用 Python 為電信行業實施深度學習模型。

完成本培訓後，參與者將能夠：

• 理解深度學習的基本概念。
• 了解深度學習在電信領域的應用和用途。
• 使用 Python、Keras 和 TensorFlow 為電信行業建立深度學習模型。
• 使用 Python 建立自己的客戶流失預測深度學習模型。

課程格式

• 互動式講授和討論。
• 大量的練習和操作實作。
• 在實時實驗室的環境中進行動手實作。

課程客製化選項

• 如需為本課程申請客製化培訓，請聯繫我們安排。

這門實用且由導師帶領的培訓課程，旨在作為Python數據分析課程的自然延續。

它向參與者介紹機器學習的核心概念，並展示如何將這些概念直接應用於預測、分類和分群等數據分析任務。

重點在於理解機器學習在實務中的運作方式，使用Python、Pandas和Jupyter Notebook等熟悉工具，無需具備進階數學背景。

本課程面向已經擁有數據科學和統計學背景的人員。解釋內容旨在為熟悉這些概念的人員提供回顧，或讓具備相關背景的人員深入了解。

此種由導師主導的現場培訓在 澳門（線上或線下）進行，旨在幫助工程師評估當前可用的方法與工具，從而做出明智決策，確定在其組織內推行 MLOps 的最佳路徑。

完成本課程後，學員將能夠：

• 安裝並配置各種 MLOps 框架和工具。
• 組建具備適當技能的團隊，以構建和支持 MLOps 系統。
• 準備、驗證數據並管理版本，供 ML 模型使用。
• 了解 ML 流程的組成部分及構建所需工具。
• 嘗試不同的機器學習框架和服務器，以進行生產部署。
• 實現整個機器學習流程的運營化，使其具備可複製性和可維護性。

此導師主導的實訓課程在 澳門（線上或線下）進行，旨在為中等級別的資料分析師、開發人員或 aspiring data scientists 提供應用 Python 中的機器學習技術以提取洞察、做出預測並自動化數據驅動決策的技能。

完成本課程後，學員將能夠：

• 理解並區分關鍵的機器學習範式
• 探索資料預處理技術和模型評估指標
• 應用機器學習演算法解決實際問題
• 使用 Python 庫和 Jupyter notebooks 進行實作
• 構建用於預測、分類、推薦及聚類的模型

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