使用 Google Colab 進行醫療 AI培訓

此為講師引導的實體培訓（台灣，線上或線下），旨在幫助進階專業人員深化對機器學習模型的理解、改善超參數微調技巧，並學會如何有效利用 Google Colab 部署模型。

完成本課程後，學員將能夠：

• 使用 Scikit-learn、TensorFlow 等流行框架實作進階機器學習模型。
• 透過超參數微調最佳化模型效能。
• 在 Google Colab 中將機器學習模型部署至實際應用場景。
• 在 Google Colab 中協作並管理大規模機器學習專案。

代理型AI（Agentic AI）是一種方法，其中的AI系統在既定約束條件下規劃、推理並使用工具採取行動以達成目標。

這門課程由專業講師進行現場指導，提供線上或線下的培訓選項。該課程旨在為希望設計、評估和監管代理型AI解決方案，以應用於臨床和操作場景的初級至中級醫療及數據團隊量身打造。

完成本培訓後，學員將能夠：

• 解釋醫療環境中代理型AI的概念與約束條件。
• 規劃、記憶及使用工具的代理工作流程設計，確保安全。
• 在臨床文檔和知識庫之上構建檢索增強式代理。
• 使用防護機制和人機協作控制來評估、監控和監管代理行為。

課程形式

• 互動講座與引導討論。
• 沙盒環境中的引導實驗和代碼 walkthrough。
• 關於安全性、評估和治理的場景化練習。

課程客製化選項

• 如需此課程的客製化培訓，請聯絡我們進行安排。

This instructor-led, live training in 台灣 (online or onsite) is aimed at intermediate-level to advanced-level healthcare professionals and AI developers who wish to implement AI-driven healthcare solutions.

By the end of this training, participants will be able to:

• Understand the role of AI agents in healthcare and diagnostics.
• Develop AI models for medical image analysis and predictive diagnostics.
• Integrate AI with electronic health records (EHR) and clinical workflows.
• Ensure compliance with healthcare regulations and ethical AI practices.

這門在台灣（線上或線下）進行的由講師主導的實時培訓，旨在針對希望將AI與AR/VR解決方案應用於醫學培訓、手術模擬和康復的初級到中級的醫療保健專業人士。

在培訓結束時，參與者將能夠：

• 了解AI在增強醫療保健領域AR/VR體驗中的作用。
• 使用AR/VR進行手術模擬和醫學培訓。
• 將AR/VR工具應用於患者康復和治療。
• 探討AI增強醫療工具中的倫理與隱私問題。

這項由講師主導的即時培訓 台灣（線上或線下）針對希望了解並應用 AI 技術於醫療環境中的中階醫療從業人員和數據科學家。

完成本課程後，學員將能夠：

• 識別 AI 能解決的關鍵醫療挑戰。
• 分析 AI 對患者照護、安全及醫學研究的影響。
• 理解 AI 與醫療商業模式之間的關係。
• 將基礎 AI 概念應用於醫療場景。
• 為醫學數據分析開發機器學習模型。

這門由導師指導的現場培訓（台灣，線上或線下）旨在幫助希望利用 ChatGPT 提升患者照護、簡化工作流程並改善醫療結果的醫療專業人員和研究者。

完成本培訓後，參與者將能夠：

• 理解 ChatGPT 的基本原理及其在醫療領域的應用。
• 運用 ChatGPT 自動化醫療流程與患者互動。
• 使用 ChatGPT 為患者提供準確的醫療資訊和支持。
• 利用 ChatGPT 進行醫學研究和數據分析。

此培訓由講師帶領，並透過台灣（線上或線下）方式進行，目標受眾為希望利用邊緣人工智慧推動創新醫療保健解決方案的初級至中級醫療保健專業人員、生物醫學工程師以及AI開發者。

完成本培訓後，參與者將能夠：

• 理解邊緣AI在醫療保健領域的角色與優勢。
• 針對醫療保健應用程序，在邊端設備上開發並部署AI模型。
• 在可穿戴設備和診斷工具中實施邊緣AI解決方案。
• 設計並部署基於邊緣AI的患者監控系統。
• 處理醫療保健AI應用中的道德與監管考量。

此於台灣（線上或線下）舉辦、由講者主導的現場培訓，目標受眾為希望利用結構化和非結構化醫療數據，針對臨床診斷、疾病預測及患者結果預測進行模型微調的中級至高級醫學AI開發者和數據科學家。

完成本課程後，學員將能夠：

• 在包含電子病歷（EMRs）、影像和時間序列數據的醫療數據集上微調AI模型。
• 在醫療情境中應用遷移學習、領域適應和模型壓縮技術。
• 解決模型開發中的隱私、偏見及合規性問題。
• 在現實世界的醫療環境中部署並監控微調後的模型。

生成式 AI 是一種基於提示和數據創建新內容（如文本、圖像及建議）的技術。

本課程為講師現場引導的實戰培訓，提供線上或線下形式，旨在幫助初級至中級的醫療專業人員運用生成式 AI 與提示工程，提升醫療環境下的工作效率、準確性與溝通質量。

完成培訓後，學員將能夠：

• 理解生成式 AI 與提示工程的基礎知識。
• 運用 AI 工具簡化臨床、行政及研究工作。
• 確保在醫療領域中倫理、安全且合規地使用 AI。
• 優化提示詞，以獲得一致且準確的結果。

課程形式

• 互動式講授與討論。
• 實戰練習與案例研究。
• 親手操作實驗，熟悉 AI 工具。

課程自定義選項

• 如需為本課程申請客製化培訓，請聯繫我們以安排。

這門在台灣（線上或線下）舉行的講師主導實時培訓，旨在幫助初級至中級水平的醫療從業者、數據分析師和政策制定者，理解並應用生成式AI於醫療領域。

參加完本課程後，學員將能夠：

• 闡述生成式AI在醫療保健中的原理與應用
• 識別利用生成式AI提升藥物研發和個人化醫療的機會
• 運用生成式AI技術於醫學影像及診斷領域
• 評估AI在醫療環境中的倫理影響
• 制定將AI技術整合到醫療保健體系中的策略

LangGraph 支援具備狀態且涉及多個參與者的工作流程，由大語言模型 (LLM) 驅動，並能精確控制執行路徑與狀態持久化。在醫療行業中，這些功能對於合規性、互操作性以及建立符合醫療工作流程的決策支持系統至關重要。

此課程為講師引導的實操培訓 (線上或線下)，旨在幫助中級至高級專業人士設計、實施並管理基於 LangGraph 的醫療解決方案，同時應對監管、道德及運營挑戰。

完成本培訓後，參與者將能夠：

• 設計符合合規性與可審計要求的醫療專用 LangGraph 工作流程。
• 將 LangGraph 應用程式與醫療本体及標準 (FHIR, SNOMED CT, ICD) 進行整合。
• 在敏感環境中應用可靠性、可追溯性與可解釋性的最佳實踐。
• 在醫療生產環境中部署、監控並驗證 LangGraph 應用程式。

課程形式

• 互動式講解與討論。
• 結合真實案例的實操練習。
• 在實時實驗環境中進行實施演練。

課程客製化選項

• 如需為本課程申請客製化培訓，請聯繫我們以安排相關事宜。

這門在台灣（線上或線下）進行的現場教學培訓，主要目標受眾為希望將多模態人工智慧應用於醫療診斷和健康照護應用的初級至高級健康專業人員、醫學研究人員及人工智慧開發者。

完成此培訓後，參與者將能夠：

• 理解多模態人工智慧在现代健康照護中的角色。
• 整合結構化與非結構化醫療數據，以實現人工智慧驅動的診斷。
• 應用人工智慧技術分析醫學影像及電子健康紀錄。
• 開發用於疾病診斷和治療建議的預測模型。
• 實施語音和自然語言處理（NLP），以進行醫療錄入和病患互動。

Ollama 是一個輕量級平台，用於在本地運行大型語言模型。

本課程為由講師引導的實訓（線上或線下），旨在讓中階醫療從業人員及資訊團隊學習如何在臨床與行政環境中部署、客製化並實際運用基於 Ollama 的 AI 解決方案。

完成本培訓後，參與者將能夠：

• 安裝和配置 Ollama，確保其在醫療環境中的安全使用。
• 將本地大型語言模型整合至臨床工作流程與行政流程中。
• 針對醫療特定術語與任務對模型進行客製化調整。
• 應用隱私、安全性及法規合規的最佳實務。

課程格式

• 互動式講授與討論。
• 動手操作示範與引導練習。
• 在沙盒化醫療模擬環境中進行實際實施。

課程客製化選項

• 如需為本課程申請客製化培訓，請聯繫我們以便安排。

這種由講師主導的現場培訓在台灣（線上或線下）針對希望利用提示工程技術來改善醫療工作流程、研究效率和患者結果的中級醫療專業人員和AI開發者。

完成此培訓後，參與者將能夠：

• 理解醫療保健領域中提示工程的基本原理。
• 使用AI提示進行臨床文檔和患者互動。
• 利用AI進行醫學研究和文獻回顧。
• 通過AI驅動的提示增強藥物研發和臨床決策。
• 確保符合醫療保健AI的監管和道德標準。

TinyML 是將機器學習整合到低功耗、資源受限的穿戴式與醫療設備中。

這項由講師主導的實作培訓（線上或線下）主要針對希望為健康監測與診斷應用實施 TinyML 解決方案的初級從業者。

完成本培訓後，學員將能夠：

• 設計並部署用於即時健康數據處理的 TinyML 模型。
• 收集、預處理及解析生物感測器數據，以獲得 AI 驅動的見解。
• 針對低功耗和記憶體受限的穿戴式裝置優化模型。
• 評估 TinyML 輸出在臨床相關性、可靠性及安全性方面的表現。

課程格式

• 輔以實作演示與互動討論的講授。
• 利用穿戴式裝置數據和 TinyML 框架進行實操練習。
• 在引導實驗室環境中進行實施練習。

課程客製化選項

• 若需針對特定醫療設備或監管流程量身定制培訓，請聯繫我們以調整方案。