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 |
- 主辦單位: 財團法人科技生態發展公益基金會
- 執行單位: 財團法人人工智慧科技基金會
- 協辦單位:
中央研究院資訊科學研究所、中央研究院資訊科技創新研究中心 - 贊助企業:
台塑企業、奇美實業、英業達集團、義隆電子、聯發科技、友達光電
2019 © Copyright 台灣人工智慧學校 | Taiwan AI Academy 版權所有