1. 課程中心
  2. 大數據時代的必備技能！AI人工智慧實戰班
  3. 課程資訊
課程形式
線上
課程名稱
大數據時代的必備技能！AI人工智慧實戰班
課程編號
641
課程期間
2023-08-18 ~
老師
蔡立忠 (講師 / 資訊講師)
周承宏 (講師 / 勵活)
課程類別
資訊能力
時數
18 (小時)
修課人數
74
標籤
素養提升, 職涯輔導, 證照培育
簡介
(於111-2學期以後，學期內完成課程修畢，即可認抵通識課程微學分1學分) (詳細時間及申請流程將公告於通識中心網頁)
*通過本課程可計陽光幼苗自主學習活動15次，課程若有兩種以上類型，僅能擇一類型申請
重要提醒！！！
「陽光幼苗自主學習活動」及「通識課程微學分」，僅能擇一採認！
 
 
課程介紹（課程宗旨、先備知識等）：

隨著AI人工智慧的議題快速發展，將利用程式語言進行更有效率數據處理與分析及自動化產出大量的結果，掌握趨勢探索未來。

課程目標：
  • 程式編寫能力。
  • 實戰案例並結合實際操作。
  • 擁有資料分析力。
 
第一章 機器學習與深度學習概覽（蔡立忠）
1-1 本課程介紹
1-2 R 與 Python 的環境設定
1-3 人工智慧的領域
 
第二章 多元線性回歸（蔡立忠）
2-1 R的基本操作與Simple Linear Regression
2-2 Simple Linear Regression in R
2-3 Python的基本操作與 Pandas
2-4 Python 的基本操作與 matplotlib
2-5 python 簡單線性回歸
2-6 R 多元線性回歸
2-7 Python 多元線性回歸
 
第三章 邏輯斯迴歸（蔡立忠）
3-1 Logistic Regression in R
3-2 Logistic Regression in Python
 
第四章 機器學習的分類（Classification）方法（蔡立忠）
4-1 LDA
4-2 QDA
4-3 K-Means
 
第五章 交叉驗證（Cross-Validation）（蔡立忠）
5-1 K-Fold Cross Validation
5-2 Leave-One-Out Cross Validation
5-3 Bootstrap Cross Validation
5-4 當前小結
 
第六章 基於樹的模型（Tree-Based Model）（周承宏）
6-1 基於樹的模型（Tree-Based Model）與後半段課程簡介
6-2 Bagging 集成技術
6-3 Boosting 集成技術
6-4 隨機森林（Random Forest）介紹
6-5 梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）
 
第七章 支持向量機（Support Vector Machine, SVM）（周承宏）
7-1 支持向量機（Support Vector Machine, SVM）簡介
7-2 線性支持向量機（Linear SVM）介紹
7-3 非線性支持向量機（Non-Linear SVM）介紹
 
第八章 非監督式學習（Unsupervised Learning）（周承宏）
8-1 非監督式學習（Unsupervised Learning）簡介
8-2 分群（Clustering）技術
8-3 降維（Dimension Reduction）技術
 
第九章 深度學習-深度學習的世界（周承宏）
9-1 深度學習（Deep Learning）概述與與機器學習（Machine Learning）的差異
9-2 深度學習的應用與案例分析
9-3 ChatGPT與自然語言處理（Natural Language Processing, NLP）的實際應用場景
 
第十章 深度學習-深度神經網路與其組成（周承宏）
10-1 深度神經網路（Deep Neural Networks）的結構
10-2 活化函數（Activation Functions）的選擇與應用
10-3 深度學習的損失函數（Loss Functions）
10-4 反向傳播算法（Backpropagation）與梯度下降（Gradient Descent）
 
第十一章 深度學習-深度學習的常見模型（周承宏）
11-1 卷積神經網路（Convolutional Neural Networks, CNN）與影像處理
11-2 遞歸神經網路（Recurrent Neural Networks, RNN）與序列資料
11-3 深度強化學習（Deep Reinforcement Learning, DRL）與決策制定
 
第十二章 深度學習-深度學習的實務操作（周承宏）
12-1 深度學習框架介紹：TensorFlow與PyTorch
12-2 使用Python建立深度學習模型
12-3 訓練策略與技巧：正則化（Regularization）、Dropout、批量正規化（Batch Normalization）
12-4 模型調參與優化
 
第十三章 深度學習-深度學習的挑戰與解決方案（周承宏）
13-1 過擬合（Overfitting）與欠擬合（Underfitting）
13-2 梯度消失（Vanishing Gradient）與梯度爆炸（Exploding Gradient）
13-3 轉移學習（Transfer Learning）與微調（Fine-tuning）
 
第十四章 深度學習-深度學習的實戰應用（周承宏）
14-1 深度學習在自然語言處理（Natural Language Processing, NLP）的應用
14-2 深度學習在影像辨識（Computer Vision, CV）的應用
14-3 深度學習在語音辨識（Speech Recognition, SR）的應用
 
評量方式：完成觀看影片、課後測驗達60分及格通過。
報名資訊    
報名期間
開始: 2023-08-18
總人數限制
無限制
其他資訊
承辦人
李佳穎 / 教學發展中心 (電子郵件: ying0223@utaipei.edu.tw)
Livewell / 勵活課程
開課單位
勵活課程
課程 QR code
https://tms.utaipei.edu.tw/course/641
課程教材
  1. 1.
    第一章 機器學習與深度學習概覽
    1-1 本課程介紹
    1-2 R 與 Python 的環境設定
    1-3 人工智慧的領域
    1. 1.1
      09:14
      1-1 本課程介紹
    2. 1.2
      29:59
      1-2 R與Python的環境設定
    3. 1.3
      20:30
      1-3 人工智慧的領域
    4. 1.4
      第一章 課後測驗
  2. 2.
    第二章 多元線性回歸
    2-1 R的基本操作與Simple Linear Regression
    2-2 Simple Linear Regression in R
    2-3 Python的基本操作與 Pandas
    2-4 Python 的基本操作與 matplotlib
    2-5 python 簡單線性回歸
    2-6 R 多元線性回歸
    2-7 Python 多元線性回歸
    1. 2.1
      30:49
      2-1 R的基本操作與Simple Linear Regression
    2. 2.2
      26:45
      2-2 Simple Linear Regression in R
    3. 2.3
      32:06
      2-3 Python的基本操作與 Pandas
    4. 2.4
      28:54
      2-4 Python 的基本操作與 matplotlib
    5. 2.5
      37:02
      2-5 Python 簡單線性迴歸
    6. 2.6
      32:29
      2-6 R 多元線性迴歸
    7. 2.7
      38:03
      2-7 Python 多元線性回歸
    8. 2.8
      第二章 課後測驗
  3. 3.
    第三章 邏輯斯迴歸
    3-1 Logistic Regression in R
    3-2 Logistic Regression in Python
    1. 3.1
      50:02
      3-1 Logistic Regression in R
    2. 3.2
      38:56
      3-2 Logistic Regression in Python
    3. 3.3
      第三章 課後測驗
  4. 4.
    第四章 機器學習的分類（Classification）方法
    4-1 LDA
    4-2 QDA
    4-3 K-Means
    1. 4.1
      22:56
      4-1 LDA
    2. 4.2
      32:31
      4-2 QDA
    3. 4.3
      29:48
      4-3 K-means
    4. 4.4
      第四章 課後測驗
  5. 5.
    第五章 交叉驗證（Cross-Validation）
    5-1 K-Fold Cross Validation
    5-2 Leave-One-Out Cross Validation
    5-3 Bootstrap Cross Validation
    5-4 當前小結
    1. 5.1
      32:39
      5-1 K-Fold Cross Validation
    2. 5.2
      14:51
      5-2 Leave-One-Out Cross Validation
    3. 5.3
      25:20
      5-3 Bootstrap Cross Validation
    4. 5.4
      22:24
      5-4 當前小結
    5. 5.5
      第五章 課後測驗
  6. 6.
    第六章 基於樹的模型（Tree-Based Model）
    6-1 基於樹的模型（Tree-Based Model）與後半段課程簡介
    6-2 Bagging 集成技術
    6-3 Boosting 集成技術
    6-4 隨機森林（Random Forest）介紹
    6-5 梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）
    1. 6.1
      14:06
      6-1 Tree-Based Model 簡介_rev3(重新錄製)_1
    2. 6.2
      20:15
      6-2 Bagging(Iris數據集)_1
    3. 6.3
      07:09
      6-2 Bagging(MNIST數據集) (1)
    4. 6.4
      22:31
      6-3 Boosting(part1)_1
    5. 6.5
      05:58
      6-3 Boosting(part2)_1
    6. 6.6
      11:35
      6-4 隨機森林(part1)
    7. 6.7
      07:26
      6-4 隨機森林(part2)_2
    8. 6.8
      25:08
      6-5 GBDT (part1)_3
    9. 6.9
      16:35
      6-5 GBDT (part2)_1
    10. 6.10
      第六章 課後測驗
  7. 7.
    第七章 支持向量機（Support Vector Machine, SVM）

    7-1 支持向量機（Support Vector Machine, SVM）簡介

    7-2 線性支持向量機（Linear SVM）介紹

    7-3 非線性支持向量機（Non-Linear SVM）介紹

    1. 7.1
      04:21
      7-1 SVM簡介_1
    2. 7.2
      23:21
      7-2 線性SVM_3
    3. 7.3
      20:48
      7-3 非線性SVM_3
    4. 7.4
      第七章 課後測驗
  8. 8.
    第八章 非監督式學習（Unsupervised Learning）
    8-1 非監督式學習（Unsupervised Learning）簡介
    8-2 分群（Clustering）技術
    8-3 降維（Dimension Reduction）技術
    1. 8.1
      04:18
      8-1 非監督式學習簡介_不好意思放錯影片，但怕影響學生的學習紀錄就沒有下架!
    2. 8.2
      04:15
      8-1 非監督式學習簡介_更新
    3. 8.3
      13:22
      8-2 分群(part1)_2
    4. 8.4
      13:40
      8-2 分群(part2) _2
    5. 8.5
      09:30
      8-3 降維(part1)_2
    6. 8.6
      09:24
      8-3 降維(part2)_2
    7. 8.7
      第八章 課後測驗
  9. 9.
    第九章 深度學習-深度學習的世界
    9-1 深度學習（Deep Learning）概述與與機器學習（Machine Learning）的差異
    9-2 深度學習的應用與案例分析
    9-3 ChatGPT與自然語言處理（Natural Language Processing, NLP）的實際應用場景
    1. 9.1
      07:59
      9-1 深度學習（Deep Learning）概述與機器學習（Machine Learning）的差異
    2. 9.2
      11:28
      9-2 深度學習的應用與案例分析_1
    3. 9.3
      06:45
      9-3 ChatGPT與自然語言處理（Natural Language Processing, NLP）的實際應用場景(part1)_1
    4. 9.4
      20:10
      9-3 ChatGPT與自然語言處理（Natural Language Processing, NLP）的實際應用場景(part2)_1
    5. 9.5
      14:22
      9-3 ChatGPT與自然語言處理（Natural Language Processing, NLP）的實際應用場景(part3)_1
    6. 9.6
      20:15
      9-3 ChatGPT與自然語言處理（Natural Language Processing, NLP）的實際應用場景(part4)_1
    7. 9.7
      第九章 課後測驗
  10. 10.
    第十章 深度學習-深度神經網路與其組成
    10-1 深度神經網路（Deep Neural Networks）的結構
    10-2 活化函數（Activation Functions）的選擇與應用
    10-3 深度學習的損失函數（Loss Functions）
    10-4 反向傳播算法（Backpropagation）與梯度下降（Gradient Descent）
    1. 10.1
      18:27
      10-1 深度神經網路（Deep Neural Networks）的結構_1
    2. 10.2
      24:50
      10-2 活化函數（Activation Functions）的選擇與應用
    3. 10.3
      25:33
      10-3 深度學習的損失函數（Loss Functions）_rev2
    4. 10.4
      11:38
      10-4 反向傳播算法（Backpropagation）與梯度下降（Gradient Descent）
    5. 10.5
      第十章 課後測驗
  11. 11.
    第十一章 深度學習-深度學習的實務操作

    11-1 深度學習框架介紹：TensorFlow與PyTorch

    11-2 使用Python建立深度學習模型

    11-3 訓練策略與技巧：正則化（Regularization）、Dropout、批量正規化（Batch Normalization）

    11-4 模型調參與優化

    1. 11.1
      13:08
      11-1 深度學習框架介紹：TensorFlow與PyTorch
    2. 11.2
      06:14
      11-2 使用Python建立深度學習模型(part1)
    3. 11.3
      10:37
      11-2 使用Python建立深度學習模型(part2)
    4. 11.4
      08:44
      11-2 使用Python建立深度學習模型(part3)
    5. 11.5
      10:14
      11-2 使用Python建立深度學習模型(part4)
    6. 11.6
      15:23
      11-3 訓練策略與技巧：正則化（Regularization）、Dropout、批量正規化（Batch Normalization）
    7. 11.7
      13:41
      11-4 模型調參與優化
    8. 11.8
      第十一章 課後測驗
  12. 12.
    第十二章 深度學習-深度學習的自然語言處理應用

    12-1 自然語言處理與使用ckiptagger工具教學

    12-2 課程小結

    1. 12.1
      35:18
      12-1 自然語言處理與使用ckiptagger工具教學(part1)
    2. 12.2
      20:17
      12-1 自然語言處理與使用ckiptagger工具教學(part2)
    3. 12.3
      04:34
      12-2 課程小結
    4. 12.4
      第十二章 課後測驗
  13. 13.
    課程滿意度問卷 (線上)
  14. 14.
    講者滿意度問卷 (線上)
© Copyright since 2017 by FormosaSoft Corporation.
All rights reserved.