AI驅動的芯片製造流程優化培訓

本課程爲講師主導的培訓，在 台灣（線上或線下）進行，面向希望使用 AdaBoost 構建機器學習提升算法的數據科學家和軟件工程師。

通過本培訓，參與者將能夠：

• 設置必要的開發環境，開始使用 AdaBoost 構建機器學習模型。
• 理解集成學習方法，並掌握如何實現自適應提升。
• 學習如何使用 AdaBoost 模型提升 Python 中的機器學習算法。
• 使用超參數調優，提高 AdaBoost 模型的準確性和性能。

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

探索人工智能的基礎知識，揭示了智能技術如何重塑企業運營中的數字戰略、自動化和決策。涵蓋人工智能歷史、問題解決框架、知識表示、不確定性推理和機器學習範式的核心概念，同時涉及溝通技能、感知和自主行動。指導高管和架構師評估人工智能驅動的轉型機會，評估新興技術趨勢，並整合實用的智能解決方案，以加速業務敏捷性。

本課程爲講師指導的培訓（線上或線下），面向希望瞭解AlphaFold工作原理並在實驗研究中使用AlphaFold模型作爲指導的生物學家。

培訓結束後，學員將能夠：

• 理解AlphaFold的基本原理。
• 學習AlphaFold的工作原理。
• 學習如何解讀AlphaFold的預測結果。

人工神經網路是一種計算數據模型，用於開發能夠執行“智慧”任務的 Artificial Intelligence (AI) 系統。Neural Networks 通常用於 Machine Learning （ML） 應用程式，這些應用程式本身就是 AI 的一種實現。Deep Learning 是 ML 的一個子集。

這種以講師為主導的台灣（在線或現場）現場培訓面向具有不同專業水平的參與者，他們希望利用 Google 的 AutoML 平臺為各種應用程式構建定製的聊天機器人。

在培訓結束時，參與者將能夠：

• 瞭解聊天機器人開發的基礎知識。
• 流覽 Google 雲平臺並訪問 AutoML。
• 為訓練聊天機器人模型準備數據。
• 使用 AutoML 訓練和評估自定義聊天機器人模型。
• 將聊天機器人部署並整合到各種平台和管道中。
• 隨時間推移監控和優化聊天機器人性能。

這門由講師指導的台灣（線上或線下）培訓課程，介紹了模式識別和機器學習的領域，並涵蓋了統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

通過本培訓，參與者將能夠：

• 應用核心統計方法於模式識別。
• 使用神經網絡和核方法等關鍵模型進行數據分析。
• 實施高級技術以解決複雜問題。
• 通過結合不同模型來提高預測準確性。

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望使用 DataRobot 的機器學習功能自動化、評估和管理預測模型的數據科學家和數據分析師。

在本次培訓結束時，參與者將能夠：

• 在 DataRobot 中載入數據集以分析、評估和品質檢查數據。
• 構建和訓練模型以識別重要變數並滿足預測目標。
• 解釋模型以創建有助於做出業務決策的寶貴見解。
• 監控和管理模型以保持優化的預測性能。

本課程爲講師指導的線下或線上培訓，面向中級開發者、數據科學家和AI從業者，旨在幫助他們利用TensorFlow Lite開發Edge AI應用。

通過本培訓，學員將能夠：

• 理解TensorFlow Lite的基礎知識及其在Edge AI中的作用。
• 使用TensorFlow Lite開發和優化AI模型。
• 在各種邊緣設備上部署TensorFlow Lite模型。
• 掌握模型轉換和優化的工具與技術。
• 使用TensorFlow Lite實現實際的Edge AI應用。

這種講師指導的 台灣 現場培訓（在線或現場）面向數據科學家、數據分析師和開發人員，他們希望探索 AutoML 產品和功能，以最少的工作量創建和部署自定義 ML 訓練模型。

在本次培訓結束時，參與者將能夠：

• 探索 AutoML 產品線，為各種數據類型實施不同的服務。
• 準備和標記數據集以創建自定義 ML 模型。
• 訓練和管理模型以生成準確、公平的機器學習模型。
• 使用經過訓練的模型進行預測，以滿足業務目標和需求。

Kubeflow 是一個開源平臺，旨在簡化在 Kubernetes 上構建、訓練和部署機器學習工作負載的過程。

本課程爲講師指導的培訓（線上或線下），面向希望使用 Kubeflow 構建可靠機器學習工作流的初級到中級專業人士。

完成本培訓後，學員將掌握以下技能：

• 熟悉 Kubeflow 生態系統及其核心組件。
• 使用 Kubeflow Pipelines 構建可重複的工作流。
• 在 Kubernetes 上運行可擴展的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程形式

• 引導式演示與協作討論。
• 使用真實 Kubeflow 組件的實踐操作。
• 構建端到端機器學習工作流的實際練習。

課程定製選項

• 可根據團隊的技術棧和項目需求定製本培訓內容。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 個容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優併為工作負載提供服務。

本課程爲講師指導的（線上或線下）培訓，面向希望使用Google的ML Kit構建專爲移動設備優化的機器學習模型的開發者。

培訓結束後，學員將能夠：

• 設置必要的開發環境，開始爲移動apps開發機器學習功能。
• 使用ML Kit API將新的機器學習技術集成到Android和iOS apps中。
• 使用ML Kit SDK增強和優化現有apps，進行設備端處理和部署。

本課程爲講師指導的培訓，在台灣（線上或線下）進行，面向希望使用隨機森林爲大型數據集構建機器學習算法的數據科學家和軟件工程師。

在本培訓結束時，參與者將能夠：

• 設置必要的開發環境，開始使用隨機森林構建機器學習模型。
• 瞭解隨機森林的優勢，以及如何應用它來解決分類和迴歸問題。
• 學習如何處理大型數據集，並解釋隨機森林中的多個決策樹。
• 通過調整超參數來評估和優化機器學習模型的性能。

此講師指導的 台灣 現場培訓（在線或現場）面向 希望學習如何使用 RapidMiner 估計和預測值並利用分析工具進行時間序列預測的中級數據分析師。

在本次培訓結束時，參與者將能夠：

• 學習應用 CRISP-DM 方法，選擇合適的機器學習演算法，並增強模型構建和性能。
• 使用 RapidMiner 估計和預測值，並利用分析工具進行時間序列預測。