課程一: 資料分析與機器學習入門(5/22, 5/29)
老師會將大量複雜的理論,以非常直觀的方式傳授給學員,不只讓每位學生不害怕牽扯到大量複雜的機率統計以及微積分,更使學員可以很直觀的了解每個步驟的物理意義,學習成果將事半功倍。
第一天
- Python語法複習
- Python基礎語法複習
- Numpy基礎語法複習
- Pandas基礎語法複習
- Matplotlib基礎語法複習
- 機器學習介紹
- 機器學習的基本觀念
- scikit-learn安裝及介紹
第二天
- 資料前處理與EDA
- 資料分析與統計
- 特徵工程介紹
- 迴歸演算法
- 線性迴歸演算法
- 多項式回歸演算法
- 分類演算法
- KNN演算法
- Logistic regression演算法
- 決策樹演算法
課程二: 資料分析與機器學習入門(6/12, 6/13, 6/19)
本課程將針對生物醫學界的同學來講解深度學習的理論及應用,並使用目前最夯的深度學習套件Google TensorFlow2來實做類神經網路,同學學成後,能有能力使用AI來分析生物醫學領域裡的資料集。
第一天
- 深度學習基礎介紹
- 基礎類神經網路介紹
- 深度學習現在的應用與優勢
- 為什麼要使用 TensorFlow2
- TensorFlow2實作
- 張量的操作及觀念
- 常見的類神經網路函數
- 優化器的使用
- DNN神經網路介紹
- 認識最基礎的類神經網路
- 損失函數
- 優化類神經網路
- DNN神經網路實作
- 影像分類實作
- 視覺化類神經網路
第二天
- CNN神經網路介紹
- 類神經網路在影像辨識的應用
- 介紹著名的 CNN 類神經網路
- CNN神經網路實作
- 影像分類
- 比較 DNN 與 CNN 的差異
- 物件偵測
- Yolo模型介紹
- 物件偵測實作
- Yolo模型實作
第三天
- RNN神經網路介紹
- Word2vect 的介紹
- 傳統 RNN 介紹
- LSTM/GRU 的介紹
- RNN神經網路實作
- 文字語意關係實作
- 垃圾郵件分類