深度學習菜鳥救星-讓你一次學會AI深度學習

人工智慧 - 資料分析

基礎

•

7.0 小時

•

5,913

NT$2,200

人工智慧是當前資訊領域最受矚目的一塊，而深度學習是人工智慧中最受歡迎的技能之一。在本課程中，你將掌握深度學習的基礎、了解如何構建神經網絡，以及學習如何以各種方式改善模型。我們將會介紹深度學習最重要的三大模型：DNN、CNN、RNN，以及隨後衍生出的各式進階模型與技術。

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。

課程目標

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

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

誰適合學習這門課程呢？

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。

學習前需要有什麼基本能力呢？

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。

學習前需要準備什麼呢？

本課程使用瀏覽器在Colab上撰寫並操作程式碼即可亦可自備電腦建議最低規格如下:
1.記憶體8G以上
2.具備網路連線功能

基礎課程

建議學習 6 週(每週 1.5 小時)

課程共 40 小節34 影片 ( 7.0 小時 )4 測驗2 作業

提供完訓證書

提供制定學習計畫什麼是學習計畫？

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

課程大綱

1.深度學習介紹

課程前言