1. 首頁

技術領袖培訓班第二期課程大綱

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R 語言快速上手
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
R 語言資料處理、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
1. Python 快速上手與爬蟲實務
2. 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 functions
2. 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
捲積神經網路 (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 & DenseNet
2. 深度學習於電腦視覺之應用與案例
進階捲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)
期中考
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 LSTM
2. 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
10深度學習理論:強化學習(Reinforcement Learning, RL)強化學習基礎
1. Markov decision process
2. Q-learning & Deep-Q Network
3. Policy gradient
強化學習實作:Gaming AI
專題實作
11深度學習理論:強化學習(Reinforcement Learning, RL)Asynchronous Advantage Actor-Critic (A3C), Deep Deterministic Policy Gradient (DDPG)專題實作
12-15專題實作與讀書會分享專題實作
16結業典禮 / 成果發表 & 就業媒合會