週別 | 主題課程 | 內容大綱 | 實作課程 |
---|---|---|---|
1 | 課程介紹與人工智慧概觀 | Python 快速上手與爬蟲實務 | |
2 | 機率與統計 | 1. 敘述性統計、機率分布與抽樣方法2. 參數估計與假設檢定3. 無母數統計4. 迴歸分析 | Python 資料處理、分析與視覺化 |
3 | 機器學習基礎與演算法 | 1. 機器學系概論2. 迴歸與維度縮減3. 非監督式學習方法 | 機器學習實作 (一) |
4 | 機器學習基礎與演算法 | 1. 監督式學習方法 (SVM, decision tree, random forest, etc.)2. 學習理論、泛化與特徵重要性 | 機器學習實作 (二) |
5 | 深度學習理論入門 | 1. 深度學習理論基礎:backpropagation, stochastic gradient descent, activation functions2. 神經網路校調:hyperparameter tuning, regularization and optimization | 深度學習基礎實務、Tensorflow 程式設計與多層感知器 (MLP) |
6 | 深度學習理論入門 | 1. 訓練優化技巧2. 卷積神經網路3. 卷積過濾器與影像資料處理4. Data augmentation | 卷積神經網路 (CNN) 與遷移學習 (Transfer learning) 實作 |
7 | 深度學習於電腦視覺之應用 | 1. 經典神經網路比較:VGG, ResNet & DenseNet2. 深度學習於電腦視覺之應用與案例 | 進階卷積神經網路於電腦視覺之應用 |
8 | 深度學習於自然語言處理(Natural Language Processing, NLP) | 深度學習於1. 聊天機器人 (chatbot)2. 情緒分析 (sentiment analysis)3. 文字摘要 (text summarization) | 自然語言處理與文字探勘 (NLP) |
9 | 深度學習理論:遞迴神經網路(Recurrent Neural Network, RNN) | 序列資料與遞迴神經網路基礎1. GRU and LSTM2. 時序資料處理與預測性維護3. 自然語言處理與音頻資料處理 | 遞迴神經網路 (RNN) 實作:情感分析與新聞標題產生 期中考 |
10-15 | 專題實作與讀書會分享 | 專題實作 | |
16 | 結業典禮 / 成果發表 |
Copyright© 台灣人工智慧學校 | Taiwan AI Academy 版權所有