課程一覽 / 人工智慧數據智能解析實務
課程基本資料 2023
| 日期 | 2023/7/24(一)-2023/7/25(二) |
|---|---|
| 時間 | ■09:10~12:00 ■13:20~16:10 |
| 地點 | 計中 212 教室（電腦教室） |
| 費用 | 臺灣大學及國立臺灣大學系統教職員生1000元，其他2000元。 |
| 主辦單位 | 國立臺灣大學計算機及資訊網路中心 |
| 協辦單位 | 兌全有限公司 |
| 對象 | 半導體或電子資訊產業暨相關系統業者之在職人士或有相關技術需求者。 |
教師資訊 2023
課程簡介 2023
隨著大數據時代的來臨，如何在巨大且繁雜的數據森林中去蕪存菁，使用高明的方法將數據抽絲剝繭(Scientific Data Analysis)，充分發揮機器學習(Machine Learning)的理論，實現智慧推理的設計，善巧的運用於各行各業的經營操作，此即當今數據智能解析與機器學習之所以熱門的原因。人工智慧因機器學習的興起而大放異彩，同時機器學習又囊括了監督式學習(Supervised Learning)、非監督式學習(Unsupervised Learning)與強化學習(Reinforcement Learning)；正是涵蓋了現今人工智慧與未來元宇宙(Metaverse)的開發主軸。本課程深入探討機器學習的基礎觀念及數據智能解析的開發實務，使學員深入資料解析的技巧，採用最有效率的方法進行人工智慧模型的訓練及分析，進而掌握最佳的機器學習技巧，更有效率的達到智慧產品的研究與發展。
課程內容 2023
| 人工智慧數據智能解析實務 | |
|---|---|
| 課程大綱 |
人工智慧數據解析工具介紹 (Python Scikit-Learn) 實例說明數據解析前的資料準備與清洗 資料的關聯統計與分析 資料特徵捷取與關鍵特徵選取 資料的分群與降維轉換 (K-Means, KNN, Data Clustering, PCA) 資料訓練的重複取樣安排 (Cross Validation) 監督式學習演算法說明 (Supervised Learning) (Decision Tree, Support Vector Machine, Random Forests) 監督式學習演算法程式追蹤與實例探討 非監督式學習演算法說明 (Unsupervised Learning) (K-Means, DBSCAN, Gaussian Mixture Models, Data Clustering) 非監督式學習演算法程式追蹤與實例探討 強化學習演算法說明 (Reinforcement Learning) OpenAI Gym 練習環境介紹 強化學習演算法程式追蹤與實例探討 (Q-Learning) 整合多重模型決策法說明 (Ensemble Learning) 整合多重模型決策法程式追蹤與實例探討 訓練模型優劣的評估與終極選擇 (Precision rate, Recall rate, ROC curves) |