NT$2,200
目前尚無任何課程公告
講師將會在這發佈與課程相關的公告或是通知課程內容更新的公告。
最新討論
小節測驗問題2:訓練權重的總數是: 7(第一層神經元數) × 3(第二層神經元數) = 21,但答案非21,想請教正解?
模型的數學表示
請問這門課要如何才通過?
CNN 的參數數量如何計算?
權重的計算
查看更多討論
課程資訊
課程時長 6 小時 58 分
課程共 6 單元 40 小節
7 個可下載的 學習資源
提供完訓證書
提供制定 學習計畫建議學習 6 週 (每週 1.5 小時)
適合對象
各產業對於人工智慧/深度學習工程師需求大增的時代,卻還對於如何接觸人工智慧及深度學習而感到躊躇?別讓時代拋下您!
1.Python 程式語言有基礎認知,且希望未來能在 Python 上從事人工智慧及深度學習的相關應用及開發者。
2.對人工智慧有興趣並想學習如何實作深度學習初階者。
3.想了解人工智慧將如何成功應用在自己產業者。
4.企業想應用深度學習的開發人員或專案經理。
5.欲轉職成為人工智慧軟體開發工程師者。
1.Python 程式語言有基礎認知,且希望未來能在 Python 上從事人工智慧及深度學習的相關應用及開發者。
2.對人工智慧有興趣並想學習如何實作深度學習初階者。
3.想了解人工智慧將如何成功應用在自己產業者。
4.企業想應用深度學習的開發人員或專案經理。
5.欲轉職成為人工智慧軟體開發工程師者。
你可以學到
這堂課要讓你用輕鬆的方式來學習AI深度學習
擔心非數學理工相關背景會不會學不來?
外面教材一堆,不知道什麼是適合自己的?
總是在找尋深度學習的入門課程嗎?卻又不知道是否適合自己嗎?別擔心,這門課程將深入淺出的帶領你了解深度學習!
1.建立人工智慧深度學習的應用情境與框架
2.了解如何使用 Colab 進行神經網路的實作
3.學會使用深度學習的神經網路基本模型與實作
4.了解調整神經網路模型的各種技巧
5.學習影像辨識的好朋友-卷積神經網路 (CNN)
6.學習處理序列資料的好工具-循環神經網路 (RNN)
讓數學人來教你深度學習:
一個在深度學習世界裡長期耕耘的數學人
數學人掛保證:「數學不會在本課程出現,這門課主要由淺入深教你基本概念跟手把手實作!」
看看能不能用圖案式解說帶你進入深度學習的世界一起看圖來說故事吧
什麼是深度學習:
深度學習是機器學習的一種方式,也可以說是目前人工智慧的主流,當2016年Google Alphago擊敗世界棋王後,深度學習的潛在發展性終於被正視,深度學習可以用來實現醫療保健、自動駕駛、語音辨識、音樂生成和自然語言處理等各種專案。除了要掌握理論,我們更希望你了解如何將它實際應用
1.建立深度學習的基本觀念應用情境跟框架
2.練習在 Google Colab 平台上學習神經網路的編碼
3.了解淺層神經網絡跟深層神經網絡
4.學會實作神經網路的模型的建立、訓練與驗證
5.了解並調整訓練神經網路模型時發生的各種狀況
6.學習神經網路卷積層跟池化層的分析知識
7.應用實作卷積層跟池化層的範例
8.學習能輸入處理序列資料的神經網路-循環神經網路層 (RNN) 的基本知識
9.實作循環神經網路模型 (RNN) 的範例:加法器與MNIST手寫數字圖片辨識
學習方式:
開始學習深度學習技術,要先學會工具跟方法即可,不用急者要先學會如何寫出深度學習程式
這門課會透過 基礎概念解說->單元實作練習->課後作業評量 達到學習有效性。
你將在Python和Keras中練習這些,並在自身的工作中,找到創造性的解決方案。 本課程以實作形式講授。你將在家觀看影片並完成深入的程式實作和在線測驗,老師也會為你提供幫助
擔心非數學理工相關背景會不會學不來?
外面教材一堆,不知道什麼是適合自己的?
總是在找尋深度學習的入門課程嗎?卻又不知道是否適合自己嗎?別擔心,這門課程將深入淺出的帶領你了解深度學習!
1.建立人工智慧深度學習的應用情境與框架
2.了解如何使用 Colab 進行神經網路的實作
3.學會使用深度學習的神經網路基本模型與實作
4.了解調整神經網路模型的各種技巧
5.學習影像辨識的好朋友-卷積神經網路 (CNN)
6.學習處理序列資料的好工具-循環神經網路 (RNN)
讓數學人來教你深度學習:
一個在深度學習世界裡長期耕耘的數學人
數學人掛保證:「數學不會在本課程出現,這門課主要由淺入深教你基本概念跟手把手實作!」
看看能不能用圖案式解說帶你進入深度學習的世界一起看圖來說故事吧
什麼是深度學習:
深度學習是機器學習的一種方式,也可以說是目前人工智慧的主流,當2016年Google Alphago擊敗世界棋王後,深度學習的潛在發展性終於被正視,深度學習可以用來實現醫療保健、自動駕駛、語音辨識、音樂生成和自然語言處理等各種專案。除了要掌握理論,我們更希望你了解如何將它實際應用
1.建立深度學習的基本觀念應用情境跟框架
2.練習在 Google Colab 平台上學習神經網路的編碼
3.了解淺層神經網絡跟深層神經網絡
4.學會實作神經網路的模型的建立、訓練與驗證
5.了解並調整訓練神經網路模型時發生的各種狀況
6.學習神經網路卷積層跟池化層的分析知識
7.應用實作卷積層跟池化層的範例
8.學習能輸入處理序列資料的神經網路-循環神經網路層 (RNN) 的基本知識
9.實作循環神經網路模型 (RNN) 的範例:加法器與MNIST手寫數字圖片辨識
學習方式:
開始學習深度學習技術,要先學會工具跟方法即可,不用急者要先學會如何寫出深度學習程式
這門課會透過 基礎概念解說->單元實作練習->課後作業評量 達到學習有效性。
你將在Python和Keras中練習這些,並在自身的工作中,找到創造性的解決方案。 本課程以實作形式講授。你將在家觀看影片並完成深入的程式實作和在線測驗,老師也會為你提供幫助
課程介紹
1.學會如何應用三大類神經網路,DNN、CNN、RNN,以增加自己的實戰經驗
2.用 TensorFlow 來快速建構深度學習演算法,增加實作效率。
3.能夠使用神經網路實作圖像分類、數字圖片辨識
4.分析深度學習模型之間的差異以及衡量模型的好壞
5.了解如何整理序列資料及並在實際問題中實作序列資料的分類模型
林澤佑 :
-學歷:政治大學應用數學系 博士候選人
-經歷:美國加州大學聖地亞哥分校 (UCSD) 數學系訪問學者、常出沒於 SIAM 資料探勘年會 (SDM) 發表論文
-業界經歷: 全球智能「智能理財與深度學習」訓練營講師
資策會 智慧影像組 實習
-教學經歷:台灣數學學校 Introduction to Machine Learning and Deep Learning with Python 課堂助教、國家理論中心 數學組 大學部學生暑期研究計畫 助教
-得獎:科技部 「生成對抗網路(GAN) X 講座 X 競賽」佳作
學習前基本能力
具備 Python 程式語言的基本概念即可,若有基本的微積分與線性代數背景更佳。
學習前準備
課程資訊
課程時長 6 小時 58 分
課程共 6 單元 40 小節
7 個可下載的 學習資源
提供完訓證書
提供制定 學習計畫建議學習 6 週 (每週 1.5 小時)
關於講師
林澤佑
專長:
流形重建、圖注意力網路、HodgeRank 的各種應用
經歷:
- M31 円星科技 記憶體設計優化顧問
- 資策會 數位轉型研究所 智慧影像組 實習
- 全球智能「智能理財與深度學習」訓練營講師
- 國家理論科學研究中心大學生暑期研究計畫 博士級助理
學歷:
- 政治大學應用數學博士
- 美國 加州大學 聖地亞哥分校 數學系 訪問學者
流形重建、圖注意力網路、HodgeRank 的各種應用
經歷:
- M31 円星科技 記憶體設計優化顧問
- 資策會 數位轉型研究所 智慧影像組 實習
- 全球智能「智能理財與深度學習」訓練營講師
- 國家理論科學研究中心大學生暑期研究計畫 博士級助理
學歷:
- 政治大學應用數學博士
- 美國 加州大學 聖地亞哥分校 數學系 訪問學者
1. 深度學習介紹
共 4 小節課程前言
人工智慧、機器學習與深度學習的關係
深度學習介紹與情境應用
深度學習的熱門套件與 Google Colab 線上開發環境
2. 深度學習的基本模型: 深層神經網路(DNN)
共 13 小節神經網路的基本架構
神經網路的數學模型
神經網路的學習原理
為何需要激活函數?
淺層神經網路
為何需要深層神經網路?
分類問題中的資料表示法:單熱編碼與軟性最大值函數
實作中遇到的七個問題
實作:下載並整理第一個資料集MNIST手寫數字資料集
實作:建立第一個神經網路模型 - MNIST手寫數字圖片辨識
實作:模型的評估
實作:模型的儲存與載入
單元小測
3. 模型最佳化
共 3 小節過擬合 (Overfitting) 與欠擬合 (Underfitting)
實作:模型最佳化
單元小測
4. 卷積神經網路 (CNN)
共 9 小節CNN 基本結構1:卷積層 (convolution layer)
CNN 基本結構2:池化層 (pooling layer)
經典的卷積神經網路模型:LeNet – 5 與 AlexNet
實作:MNIST手寫數字圖片辨識
【作業說明】建立CIFAR-10資料集上的CNN分類模型
【作業上傳】建立CIFAR-10資料集上的CNN分類模型
【參考答案】建立CIFAR-10資料集上的CNN分類模型
CNN 與 DNN 的關係:局部連接與共用權重
單元小測
5. 循環神經網路 (RNN)
共 10 小節試看
序列資料與循環神經網路 (RNN)
RNN 的數學模型
RNN 與 DNN 的相似處及梯度消失問題
長短期記憶 (LSTM)
門控循環單元 (GRU)
試看
RNN 模型的各種可能
實作:建立 RNN 模型的方法
實作:建立 MNIST手寫數字圖片的 RNN 分類模型
【作業上傳】建立MNIST手寫數字圖片的RNN分類模型
單元小測
6. 總結與未來展望
共 1 小節三大基本模型回顧
學習附件
【教材範例】Colab連結.pdf
469.27 KB
【講義】單元1.pdf
3.02 MB
【講義】單元2.pdf
3.07 MB
【講義】單元3.pdf
617.01 KB
【講義】單元4.pdf
2.89 MB
【講義】單元5.pdf
2.51 MB
【講義】單元6.pdf
964.67 KB
購買此課程後,才能使用留言功能
或
沒有回應的問題
目前尚無任何討論主題
成為第一個發問的人!在問答中找到學習的捷徑。關於講師
林澤佑
專長:
流形重建、圖注意力網路、HodgeRank 的各種應用
經歷:
- M31 円星科技 記憶體設計優化顧問
- 資策會 數位轉型研究所 智慧影像組 實習
- 全球智能「智能理財與深度學習」訓練營講師
- 國家理論科學研究中心大學生暑期研究計畫 博士級助理
學歷:
- 政治大學應用數學博士
- 美國 加州大學 聖地亞哥分校 數學系 訪問學者
流形重建、圖注意力網路、HodgeRank 的各種應用
經歷:
- M31 円星科技 記憶體設計優化顧問
- 資策會 數位轉型研究所 智慧影像組 實習
- 全球智能「智能理財與深度學習」訓練營講師
- 國家理論科學研究中心大學生暑期研究計畫 博士級助理
學歷:
- 政治大學應用數學博士
- 美國 加州大學 聖地亞哥分校 數學系 訪問學者