機器學習實務(2021夏季班)
Pengajar: 周信宏
2021/06/01~2021/07/20
Penjelasan
Tujuan kursus
Pengenalan guru
Jadwal kursus
Isi kursus
Model kursus
Nilai
Informasi Sertifikat

Penjelasan

【本次課程搭配教育部智慧創新跨域人才培育聯盟計畫，由成功大學主導之Coding-X課程】相關訊息詳見網址

本課程內容包含：人工智慧技術演進、深度學習多層神經網路（DNN）和卷積神經網路（CNN）的模型原理，以及相關套件（Tensorflow, Keras）的實作方法。透過資料視覺化呈現、資料前處理和常用機器學習（MLP, Random Forest, Logistic Regression, SVM等）的原理和實作方法，使同學具備影像和數據資料的模型訓練、分類、預測和評估的技術。

Tujuan kursus

本課程目標在培養同學具備深度學習和數據分析實作能力，以滿足產業AI人才技能的需求。

Pengenalan guru

  • 教師姓名：周信宏
  • 教師簡介：

【現職】國立暨南國際大學資訊工程系（原任職長榮大學資訊暨設計學院）

【學歷】國立臺灣大學資訊工程學系博士

【經歷】

  • 暨南國際大學資訊工程系／副教授
  • 長榮大學資訊暨設計學院人工智慧研究中心／主任
  • 長榮大學資訊管理學系／助理教授／系主任
  • 台灣電腦對局學會（TCGA）／理事
  • 財團法人資訊工業策進會－雲端服務暨巨量資料產業發展計畫／AI與數據應用領域專家顧問
  • 智慧城鄉生活應用發展計畫－人工智慧應用(AI)融合大影像與多來源資料之智慧診斷服務計畫／技術顧問

【專業】圖形演算法、電腦對局、人工智慧、深度學習、數據分析、生物資訊

Jadwal kursus

第1週:人工智慧的進展／什麼是機器學習？

第2週:類神經網路／MLP案例實作

第3週:卷積式神經網路／CNN影像辨識案例實作

第4週:資料處理工具介紹／MLP數據分析案例實作

第5週:監督式學習／機器學習工具

第6週:監督式學習實作(I)／監督式學習實作(II)

第7週:非監督式學習

Isi kursus

一、人工智慧的進展
二、什麼是機器學習？
三、類神經網路
四、MLP案例實作
五、卷積式神經網路
六、CNN影像辨識案例實作
七、資料處理工具介紹
八、MLP數據分析案例實作
九、監督式學習
十、機器學習工具
十一、監督式學習實作(I)
十二、監督式學習實作(II)
十三、非監督式學習

Model kursus

本課程分為13個主要單元，每個單元依據學習份量，有數段10-15分鐘左右的視頻影片。每個單元內容提供隨堂測驗及議題討論，以幫助學習者快速確認是否瞭解上課內容；每週另有主題作業用以考核學習成果。

Nilai

  • 課程及格標準:  60 分  滿分： 100分 
  • 隨堂測驗（100%）：針對回答的正確性進行評分。 

KKM


Course grade pass:60Grade Memo:max grade 100 point

Kemampuan

學員必須具備Python程式語言的能力。

Saran

  • Python機器學習(第二版)，Sebastian Raschka, Vahid Mirjalili原著，  劉立民、吳建華編譯，博碩出版社，出版日期：2018/08/30。
  • 機器學習-工作現場的評估、導入與實作，有賀康顕、中山心太、西林孝原著，許郁文翻譯，歐萊禮出版社，出版日期：2018/09/06。
  • 機器學習：特徵工程，Alice Zheng, Amanda Casari原著，歐萊禮出版社，出版日期：2020/04/30。

    • Informasi Sertifikat

    本課程修課通過證明費用：250元
    如何申請及下載證書？

    TOP
    TOP