跳到主要內容

Python 機器學習與深度學習實作


BurgeoningCourse
只能經由邀請註冊這課程

課程基本資訊

中高階課程,需具備相關基礎知識

影片時數:共約 14 小時

授課語言/字幕:皆為繁體中文

課程證書:有,須通過課程評分標準,才可獲得免費電子版完課證書,紙本證書需額外申請付費。

費用:6800 元,「Python 資料科學實作」舊生優惠價:6300 元(購課流程

#可隨時報名 #可立即學習 #可隨時詢問老師問題

100% 純線上:可重複觀看所有課程影片,上課時間彈性自主、無負擔。

專業教材:老師提供精心編製簡報、範例程式碼。

完整度高:授課內容完整涵蓋此領域所需相關知識。

討論區:一年內無限次詢問老師問題。還可加入課後討論區,老師不定期分享相關知識及答題。

理論 + 實作:課程編排為理論與實作交互前進,讓您既有紮實理論基礎,同時具備專題實作能力。

學習地圖

課程簡介

人工智慧(Artificial Intelligence)是使電腦學習並具備人類特定能力的技術,其中最核心的技術即是機器學習(Machine Learning)以及深度學習(Deep Learning)。但要如何實際開發並導入人工智慧技術呢?從學習Python開始,因為它擁有最完善的機器學習與深度學習套件,更是當今全球實作人工智慧最熱門的程式語言。因此,這門課程不僅會帶領大家完整了解各種人工智慧演算法的數學理論,更要用 Python 實作人工智慧的各種應用。

在這門課程中,您可以學到:

在複雜艱澀的數理知識中,深入淺出的引導大家一步步掌握人工智慧的核心概念,並具備開發人工智慧程式的能力。

  • 機器學習專案的完整實作流程。
  • 各種機器學習與深度學習演算法基礎數理知識。
  • 如何利用 Python 建立各種機器學習模型進行預測。
  • 如何利用 Python 建立各種深度學習模型,以辨識更複雜的影像資料。
  • 如何評估並提升人工智慧模型的預測效果。
  • 您可以運用以上所學理論與實作,應用於您的研究或工作之中。

#您可以獲得的技能

#Python #人工智慧 #機器學習 #監督式學習 #非監督式學習 #集成學習 #線性迴歸 #SVM #Logistic Regression #決策樹 #k-NN #Naïve Bayes #隨機森林 #XGBoost #Kaggle #超參數調校 #K-means #DBSCAN #PCA #模型評估 #卷積神經網路 #遞迴神經網路 #卷積神經網路 #Scikit-learn #Tensorflow 2 #Keras

先備知識

先修習徐老師所開設過的「Python 資料科學實作」或「Python 金融數據分析與預測實作」為佳,或至少擁有以下相關先備知識:

  • Python 基礎語法(精熟)
  • Python 資料結構(精熟)
  • Pandas DataFrame 資料處理(精熟)
  • Matplotlib、Pandas 資料視覺化(基礎)

並須具備以下先備基礎知識:

  • 高中以上數學程度,瞭解基本矩陣運算、微積分
  • 具備基本英文閱讀能力,可查看函式說明文件

準備器材

  • 記憶體:至少 8G 以上(16G 以上為佳)
  • GPU:NVIDIA 計算能力(Compute Capability)> 3.5 的 GPU(查詢:https://developer.nvidia.com/cuda-gpus)
  • 若無 GPU,可使用以下替代方案:
    • 使用 Google Colaboratory 免費 GPU
    • 暫時使用 CPU 訓練(較耗時)

課程大綱

主題

內容

建立深度學習環境

  • 安裝 Anaconda
  • 建立 Anaconda虛擬環境
  • 安裝 Scikit-learn、TensorFlow 2.0(內建 Keras)
  • 建立 GPU 加速運算環境:安裝及設定 CUDA、cuDNN
  • Google Colaboratory 介紹與操作示範(附免費 GPU、TPU)

人工智慧導論

  • 什麼是人工智慧?
  • 什麼是機器學習、深度學習?
  • 人工智慧的過去、現在與未來

機器學習流程及方法

  • 機器學習建模與評估流程
  • 模型偏誤(Bias)與變異(Variance)之權衡(Trade-off)
  • 模型最佳化方法(梯度下降 Gradient Descent)
  • K 折交叉驗證法(K-Fold Cross Validation)
  • 學習曲線與驗證曲線
  • 模型欠擬合(Underfitting)與過擬合(Overfitting)問題
  • 綜合實作示範:台北市房價分析與預測(使用 Scikit-learn)

Kaggle

  • Kaggle 導覽與使用介紹

訓練資料預處理

  • 資料標準化(Standardization)
  • 資料清理、補值
  • 遺失值處理
  • One-hot Encoding
  • 特徵選擇

迴歸與分類

  • 線性迴歸、非線性迴歸、多項式迴歸
  • 正規化與迴歸(Ridge, LASSO, Elastic Net)
  • 正規化實作示範:台北市房價預測(使用 Scikit-learn)
  • K最近鄰(k-NN)
  • 樸素貝葉斯分類器(Naïve Bayes Classifier)
  • 羅吉斯迴歸(Logistic Regression)
  • 支持向量機(Support Vector Machine, SVM)與決策邊界
  • 決策樹(Decision Tree)
  • 迴歸模型評估(如:MSE、R平方)
  • 分類模型評估(如:Confusion Matrix、F1 score)
  • Overfitting 的判讀與處理
  • 超參數調校(Hyperparameter Tuning):使用 Grid Search
  • 各種迴歸方法實作示範:台北市房價預測(使用 Scikit-learn)
  • 各種分類方法實作示範:鳶尾花分類(使用 Scikit-learn)
  • 超參數調校實作示範

集成學習

  • 整體學習/集成學習(Ensemble Learning)理論
  • 投票法(Voting)
  • 裝袋法(Bagging)
  • 隨機森林(Random Forest)
  • 強化法(Boosting)
  • Stacking
  • Gradient Boosting
  • Kaggle競賽神器 – XGBoost
  • 各種 Ensemble Learning 方法實作示範:HR 資料之離職預測(使用 Scikit-learn、mlxtend、xgboost)

非監督式學習─分群

  • K-means、K-mean++ 與 K 值校調
  • 輪廓係數(Silhouette Coefficient)與輪廓圖分析
  • 階層式分群(Hierarchical Clustering)
  • DBSCAN
  • 分群效果評估
  • 分群實作示範(使用 Scikit-learn)

降維

  • 維度災難
  • 主成分分析(PCA)理論與實作

深度學習方法

  • 機器學習 vs. 深度學習
  • 感知器(Perceptron)與神經元(Neuron)
  • 神經網路(Neural Network)
  • 激勵函數(Activation Function):Sigmoid、ReLU 等
  • 多類別分類方法:Softmax
  • 反向傳播法(Backpropagation)
  • 損失函數(Loss Function):MSE、Cross Entropy 等
  • 模型權重最佳化(Optimization)方法:SGD、AdaGrad、RMSProp、Adam 等

Tensorflow 2

  • 何謂張量?(Tensor)
  • 基礎張量運算
  • 視覺化工具:TensorBoard
  • 實作示範:線性迴歸(使用 TF 2.0)

深度學習 Overfitting 處理

  • Dropout
  • Regularization
  • Early-Stopping

各種深度學習架構

  • 多層感知器(Multilayer Perceptron, MLP)
  • 卷積神經網路(Convolution Neural Network, CNN)
  • 遞迴神經網路(Recurrent Neural Network, RNN)
  • 長短期記憶(Long-Short Term Memory, LSTM)
  • 深度學習模型評估
  • MLP 實作示範1:台北市房價預測(使用 TF 2.0 keras)
  • MLP 實作示範2:MNIST 手寫數字辨識(使用 TF 2.0 keras)
  • CNN 實作示範1:MNIST 手寫數字辨識(使用 TF 2.0 keras)
  • CNN 實作示範2:圖形分類(使用 TF 2.0 內建預訓練模型,如:VGG16、Resnet、InceptionV3 等)
  • RNN/LSTM 實作示範1:全球氣溫變化預測(使用 TF 2.0 keras)
  • RNN/LSTM 實作示範2:台灣股市預測(使用 TF 2.0 keras)

進階深度學習技術導論

  • 增強式學習/強化學習(Reinforcement Learning, RL)
  • 生成對抗網路(Generative Adversarial Network, GAN)

備註:開課後課程內容仍會根據同學需求做部分調整,若對授課內容有任何建議或問題歡迎提出。

課程示範環境

  • Python 3.5
  • Tensorflow 2.0

授課教師

徐浩軒

「補根課程」(Burgeoning Course)共同創辦人

「Python 資料科學與人工智慧」FB粉絲專頁 共同創辦人

清華大學 資訊系統與應用研究所 博士

清華大學 資訊工程學系 學士


目前已開設「Python 資料科學實作」、「Python 機器學習與深度學習實作」、「Python 金融數據分析與預測實作」、「Python 自然語言處理實作」、「Python 資料視覺化入門:讓圖說出好故事」等課程,累積學生超過兩千位。

期刊著作
  • H. H. Hsu and N. F. Huang, "Xiao-Shih: A Self-Enriched Question Answering Bot With Machine Learning on Chinese-Based MOOCs," in IEEE Transactions on Learning Technologies, vol. 15, no. 2, pp. 223-237, 1 April 2022, doi: 10.1109/TLT.2022.3162572.
翻譯著作
  • 《領域驅動設計學習手冊》(歐萊禮,2023)
  • 《打造機器學習應用|從構想邁向產品》(歐萊禮,2021)
專利
  • 孫宏民、徐浩軒、黃能富、韓傳祥「車禍嚴重度預測方法及裝置、電腦可讀取的記錄媒體」中華民國發明專利號 I801082。

常見問題

Q1、我可以立即報名嗎?

沒問題,這門課程可以隨時報名、立即學習,報名後就可以觀看到課程所有的教材。


Q2、課程可以使用多久?

一年(從您報名的隔日算起)。設計一年內的使用期限有兩個主要原因:第一個是鼓勵大家在有限時間內完成學習;第二個是本課程提供的都是符合當下最新的知識,但知識演進快速,不希望大家學習到過時的知識。如果過了一年期限還想學習,可以透過轉班方式換到最新的一班學習(僅需繳交轉班手續費用500元)。


Q3、可以詢問老師問題嗎?

當然可以,可以在這門課程的討論區上發問或是透過老師的Email聯繫。


若還有其它問題,歡迎來信詢問:burgeoningcourse@gmail.com