聯繫我們

課程簡介

1. AI 工程介紹

  • 什麼是 AI 工程?
  • AI、機器學習與深度學習之區別
  • AI 工程生命週期
  • 跨產業的 AI 應用
  • AI 工程師的角色與責任

2. 人工智慧基礎

  • 核心 AI 概念與術語
  • 監督式、非監督式與強化學習
  • 神經網路與深度學習基礎
  • 生成式 AI 與基礎模型概覽
  • AI 開發生態系統與框架

3. AI 工程的 Python 應用

  • AI 必要的 Python 函式庫
  • NumPy、Pandas 和 Matplotlib
  • 數據處理與視覺化
  • Jupyter Notebooks 使用
  • 編寫可重複使用的 AI 代碼

4. AI 的數據準備

  • 收集與理解數據集
  • 數據清洗與預處理
  • 特徵工程
  • 特徵縮放與正規化
  • 將數據集分割為訓練集、驗證集和測試集
  • 處理缺失值與異常值

5. 機器學習基礎

  • 迴歸演算法
  • 分類演算法
  • 叢集技術
  • 模型訓練工作流
  • 模型評估指標
  • 防止過擬合與欠擬合

6. 使用 TensorFlow 和 PyTorch 建構 AI 模型

  • TensorFlow 介紹
  • PyTorch 介紹
  • 建立神經網路
  • 模型訓練與驗證
  • 模型的保存與加載
  • 比較兩種框架

7. 自然語言處理基礎

  • 文本預處理
  • 詞嵌入
  • 文本分類
  • 情感分析
  • Transformer 模型介紹
  • 實用的 NLP 應用

8. AI 在軟體開發中的應用

  • 將 AI 整合至現有應用程序
  • 透過 API 呼叫 AI 服務
  • 開發 AI 驅動型應用程序
  • AI 輔助軟件開發工具
  • 測試 AI 啟用型應用程序

9. AI 工程最佳實踐

  • 專案組織
  • 使用 Git 進行版本控制
  • 實驗追蹤
  • 模型版本管理
  • 文件標準
  • AI 專案的重現性

10. AI 模型的部署

  • 模型序列化
  • 建構推論服務
  • AI 模型的 REST API
  • Docker 在 AI 部署中的應用簡介
  • 監控已部署的模型
  • 模型維護與更新

11. AI 數據工程

  • 數據管線
  • ETL 流程
  • 管理結構化與非結構化數據
  • 數據儲存選項
  • 數據品質管理
  • 準備生產就绪的數據集

12. 負責任且合乎倫理的 AI

  • AI 偏差與公平性
  • 可解釋性 AI (XAI)
  • 隱私與數據保護
  • AI 安全考量
  • 負責任的 AI 開發
  • 法規與治理考量

13. AI 專案管理

  • AI 專案生命週期
  • 適用於 AI 專案的敏捷方法論
  • 技術團隊與商業團隊之間的協作
  • 評估 AI 專案
  • 風險管理
  • 衡量專案成功度

14. AI 工程實作工作坊與未來趨勢

  • 建立完整的 AI 開發工作流
  • 建構端到端的機器學習專案
  • 使用 TensorFlow 或 PyTorch 訓練並評估模型
  • 部署簡單的 AI 應用程序
  • 當前的 AI 工程趨勢
  • 生成式 AI 與大型語言模型 (LLMs)
  • MLOps 與 AI 自動化
  • 職業發展路徑與持續學習
  • 總結、問答環節與後續步驟

最低要求

  • 具備基本程式設計概念的理解
  • 有 Python 程式設計經驗
  • 熟悉基礎統計學與線性代數

受眾

  • AI 工程師
  • 軟體開發人員
  • 數據分析師
 14 小時

人數


每位參與者的報價

客戶評論 (2)

即將到來的課程

課程分類