跳到主要內容

BurgeoningCourse: PY002 Python 機器學習與深度學習實作

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：[email protected]

  1. 課程編號

    PY002

  2. 課程開始