Python 機器學習與深度學習實作 (2018 秋季班)
課程講者 徐浩軒
課程開始2018-10-05
課程結束2018-11-22
課程費用 6800 元
課程時數14小時
開課單位ShareCourse技能學院
課程類別資訊工程:系統、資訊安全、網路
分享到  

新生同時報名人工智慧系列課程:「Python 資料科學實作」+「Python 機器學習與深度學習實作」,亦享有500元折扣優惠,欲同時報名請 點此繳費

 

人工智慧(Artificial Intelligence)即將帶給人類全方面的影響,從AlphaGo戰勝人類圍棋棋王,到無人駕駛車、影音辨識、翻譯、自動配音、駭客自動攻防、電競遊戲等,甚至是設計及創作音樂、圖畫、字體、配色、文章等,人工智慧的應用風起雲湧,影響了交通、教育、語言、資安、電競、創作、醫療、商業等眾多領域。

人工智慧之所以興起,即是因為大數據、硬體運算能力、機器學習和深度學習的演算法技術突破,本課程以觀念和實作並進,以七週的時間由淺入深地帶領大家實作人工智慧的關鍵技術 - 機器學習和深度學習。

 

•  Why Python for Machine Learning & Deep Learning?

Python 是實作資料科學的熱門程式語言,因為Python本身簡潔、易讀、易學,以及擁有強大資料科學的相關套件。Python更是目前實作機器學習和深度學習最熱門的程式語言,不僅套件豐富,且開發社群和使用企業眾多,Google、Facebook、Twitter、NVIDIA、Dropbox等著名企業都開發或使用基於Python語言的深度學習套件。

 

•  Why Scikit-Learn、Keras、TensorFlow?

Scikit-Learn是Python實作機器學習的必學套件,重要常用的機器學習演算都可利用Scikit-Learn快速方便的實作,而Keras是建構在TensorFlow和theano之上的深度學習套件,因此Keras更為簡潔易用,適合初學深度學習的人快速建構深度學習模型。而TensorFlow是由Google開發的套件,能實作並視覺化更為基礎的矩陣運算,可以更深入地實作深度學習。

另外,本課程會額外補充擴充套件mlxtend,實作Scikit-Learn尚未支援的其他整體學習方法如:Stacking,以及Kaggle競賽神器-XGBoost,讓您快速進入Kaggle前段班。

 

課程特點

觀念講解  可重複觀看、清晰精實的數學原理觀念講解影片

實作示範  Step-by-Step 實作示範影片與範例程式

發問討論  課程期間無限次提問討論區,老師親自為您解答

實戰演練  在全球最大資料科學競賽平台Kaggle實戰練習

超值內容

  • 完整紮實:完整涵蓋機器學習至深度學習的重要演算法之原理觀念與實作

  • 豐富內容:超過70支、共800分鐘以上課程單元影片

  • 充分學習:七週的課程時間,充分學習吸收、提問解答

課程影片皆附中文字幕

 

(每週約 2 小時影片,七週約 14 小時)

內容(實作內容搭配真實資料範例示範)

建立深度學習環境

  • 安裝Anaconda
  • 建立Anaconda虛擬環境
  • 安裝Scikit-learn、TensorFlow、Keras、TensorFlow-gpu
  • 建立GPU加速運算環境:安裝及設定CUDA、cuDNN

  註:為幫助大家提早設定環境,此項預計於開課前兩週 9/21 預先上架。

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

  • 機器學習流程
  • 偏誤(Bias) & 變異(Variance)Trade-off
  • 欠擬合(Underfitting)& 過擬合(Overfitting)
  • 最佳化方法(梯度下降 Gradient Descent)
  • 交叉驗證法(KFold)
  • 學習曲線與驗證曲線

資料預處理

  • 資料標準化(Standardization)
  • 資料清理(Data Cleaning)
  • 補值
  • One-hot Encoding/Label Encoding
  • 特徵選擇(資訊增益)
  • 特徵降維、主成分分析(PCA)

監督式學習 – 迴歸與分類

(使用Scikit-Learn)

  • 線性與非線性迴歸
  • 多項式迴歸
  • 正規化與迴歸(Ridge, LASSO, Elastic Net)
  • K最近鄰(KNN)
  • 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)
  • 決策樹(Decision Tree)
  • 迴歸模型評估(如:MSE、R Square)
  • 分類模型評估(如:Confusion Matrix、F1 score)
  • 決策邊界
  • 過適(Overfitting)判斷與處理

整體學習 (Ensemble Learning)

(使用Scikit-Learn、mlxtend、xgboost)

  • 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

非監督式學習 – 分群

(使用Scikit-Learn)

  • K-means、K-mean++ 與k值校調
  • 階層式集群(Hierarchical Clustering)
  • 輪廓係數(Silhoutte Coefficient)與輪廓圖分析
  • 非圓狀(如:半月形、甜甜圈形)集群(如:DBSCAN)
  • 分群效果評估 

神經網路與深度學習方法

  • 機器學習 vs. 深度學習
  • 神經元(Neuron)
  • 感知器(Perceptron)
  • 類神經網路(Neural Network)
  • 激勵函數(Activation Function)
  • 反向傳播法(Backpropagation)
  • 最佳化(Optimization)

深度學習

(使用Keras)

  • 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)
  • 使用GPU加速訓練
  • 模型評估
  • 過適處理:Dropout、Regularization
  • Early-Stopping

深度學習

(使用TensorFlow與TensorBoard)

  • What is tensor?
  • 基礎張量運算
  • 視覺化工具: TensorBoard
  • 線性迴歸(Linear Regression)
  • 多層神經網路(Multilayer Neural Network, MLP)
  • 卷積神經網路(Convolution Neural Network, CNN)
  • 使用GPU加速訓練

現代深度學習方法技術導論

  • 增強式學習(Reinforcement Learning)
  • 生成對抗網路(Generative Adversarial Network, GAN)

註1:使用 Python 3.5版。

註2:若對課程內容有任何意見及建議,歡迎於開課前提出詢問。

 

•   對Python語言及Numpy、Pandas、Matplotlib套件已有基礎實作經驗。(或已修習過ShareCourse「Python 資料科學實作」或「Python 金融數據分析與預測實作」課程)

•   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

 

•   記憶體至少8G以上

•   若需使用GPU加速運算,需搭載NVIDIA系列GPU(顯示卡) (若無GPU可加速,也可使用CPU運算)

    ◦ GPU可用型號:https://developer.nvidia.com/cuda-gpus

    ◦ GPU計算能力(Compute Capability)> 3.0

 

(開課後會再提供詳細資訊)

完成指定Kaggle實戰(https://www.kaggle.com/)2~3場,依課程要求完成後即可獲得中英文版課程通過證書。

 

歡迎到徐老師創的  「Python 資料科學與人工智慧」FB粉絲專頁 逛逛!

 

 

1. 請問課程是否有優惠?

我們提供舊生優惠折扣,除了回饋舊生外,也鼓勵大家先修習「Python 資料科學實作」或是已有大綱中所列相關先備知識,再選修此門進階課程。

另外,這門課程內容涵蓋較進階的機器學習至深度學習,課程時間共七週,不僅內容紮實完整豐富,課程期間可無限次隨時發問,老師皆會一一答覆,課程結束還可享有一年內無限次使用課程教材的權益。

 

2. 請問無GPU要求設備也可以修課嗎?

可以。GPU是用於訓練深度學習加速用的設備,課程中會教大家如何使用GPU加速,但是若無GPU一樣可以訓練深度學習模型,就直接使用CPU運算即可,只是在建模速度上可能就會稍慢些。

 

3. 課程結束後還可以觀看影片等教材嗎?

可以。課程結束後仍享有一年內無限線上存取課程內容包含課程影片的權利,課程中的簡報(PDF)、程式碼皆可直接下載。

 

換班/重修規定

•   報名課程開課日前,因個人因素需要轉班、可免費轉到下個梯次(只允許同一課程不同梯次譬如:Python 資料科學實作 只可以轉同樣是Python 資料科學實作 的下一梯次班級 ),但是會刪除進入已經報名這班的權限,需等下一梯次開班開課才可以進入上課,此辦法最多協助保留一次。

•   開課後若想要轉班到下一梯次,或是重新再上一次最近開課的Python同一系列課程,將收取手續費$700(限銀行或郵局匯款),請來電或客服信箱告知學聯網。


退費規定

「ShareCourse」關於付費課程退費的相關辦法

依據通訊交易解除權合理例外情事適用準則,ShareCourse網站販售的有價商品不適用七天鑑賞無理由退費機制,若會員不同意修改的內容,請勿繼續使用ShareCourse。如果會員繼續使用ShareCourse,將視為會員已同意並接受本規範等增訂或修改內容之約束。

•   若課程的內容於上課的第一天全部發佈(線上影音或教材等課程教學內容),則開始上課第一天(含)後,不予退費。

•   學員如已繳費且為個人因素,於開課前一日(含)之前辦理退費者;學聯網得收取上課費用之百分之五,餘則退還學員;匯款退費者,學員須自行負擔匯款手續費用。

•   已開課但未達上課時數三分之一者,退還上課費用之百分之五十;匯款退費者,學員須自行負擔匯款手續費用。

•   若已逾全期訓練課程三分之一者,則不予退費。

 

學聯網聯絡電話:(02)2598-2628 #102 蔡小姐

課程講者
徐浩軒

ShareCourse 技術總監(Director of Technology Development)

ShareCourse「Python 資料科學實作」授課講師

ShareCourse「Python 機器學習與深度學習實作」授課講師

ShareCourse「Python 金融數據分析與預測實作」授課講師

清華大學 資訊系統與應用研究所 博士班

清華大學 資訊工程學系 學士

 

研究領域

答題機器人(小十) / Intelligent Question Answering Bot(Xiao-Shih)

MOOCs(Massive Open Online Courses)

Python 程式開發

資料科學(Data Science)

機器學習(Machine Learning)

深度學習(Deep Learning)

人工智慧(Artificial Intelligence)