Pattern Recognition培訓

本課程涵蓋人工智慧（著重機器學習與深度學習）在汽車產業的應用。它有助於確定哪些技術可以在車內的多種情境中（潛在地）使用：從簡單的自動化、影像辨識，到自主決策。

探討人工智慧的基礎，揭示智能技術如何重塑企業營運中的數位策略、自動化與決策過程。涵蓋人工智慧的歷史、問題解決框架、知識表示、不確定性推理與機器學習範式，並結合溝通、感知與自主行動等核心概念。引導主管與架構師評估由AI驅動的轉型機會，掌握新興科技趨勢，並整合務實的智能解決方案，以加速業務敏捷度。

人工神經網路是用於開發能夠執行「智能」任務的人工智慧（AI）系統的計算數據模型。神經網路通常用於機器學習（ML）應用，而機器學習本身是人工智慧的一種實現方式。深度學習則是機器學習的一個子集。

「從零開始應用人工智慧與Python」為程式設計師和數據分析師提供基礎技術，使用Python從頭構建機器學習解決方案。涵蓋監督式學習（分類與回歸）的核心原理、非監督式學習（聚類與異常檢測）、以及進階的神經網路架構。探討如何有效利用scikit-learn、Apache Spark MLlib與Jupyter Notebook進行實際開發，協助專業人員實踐ML模型、評估演算法限制，並完成應用專案以解決真實世界問題。

深度強化學習 (DRL) 將強化學習原理與深度學習架構相結合，使智能體能透過與環境互動來做出決策。它支撐了許多現代人工智慧的進步，如自駕車、機器人控制、演算法交易和動態推薦系統。DRL 讓人工智慧智能體能夠基於獎勵機制進行學習，從而制定策略、最佳化政策，並做出自主決策。

這門由講師主導的現場培訓（線上或線下）旨在為中階開發人員和資料科學家提供學習和應用深度強化學習技術的機會，以建構能在複雜環境中自主決策的智慧型智能體。

完成本培訓後，學員將能夠：

• 理解強化學習的理論基礎與數學原理。
• 實作關鍵的強化學習演算法，包括 Q-Learning、政策梯度和 Actor-Critic 方法。
• 使用 TensorFlow 或 PyTorch 建構和訓練深度強化學習智能體。
• 將 DRL 應用於遊戲、機器人技術和決策最佳化等現實世界場景。
• 使用現代工具進行除錯、可視化和最佳化訓練效能。

課程格式

• 互動式講授與引導式討論。
• 實作練習與實際應用。
• 即時編碼示範與專案導向應用。

課程客製化選項

• 如需此課程的客製化版本（例如，使用 PyTorch 取代 TensorFlow），請聯絡我們進行安排。

本課程首先提供有關神經網路的一般概念知識，涵蓋機器學習演算法、深度學習（包括演算法和應用）。

第一部分佔總課程的40%，重點在於基礎概念，但將幫助您選擇適當的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

第二部分佔總課程的20%，將介紹Theano。這是一套Python函式庫，可讓建立深度學習模型變得輕鬆簡便。

第三部分佔總課程的40%，內容主要基於Tensorflow。它是Google為深度學習提供的開源軟體程式庫API。所有範例和實作練習均使用TensorFlow完成。

適用對象

本課程旨在協助希望將其深度學習專案中使用TensorFlow的工程師。

完成此課程後，受訓學員將能夠：

• 對深度神經網路(DNN)、CNN和RNN有良好的理解
• 了解TensorFlow的結構和部署機制
• 能夠執行安裝、生產環境設定和架構配置任務
• 能夠評估程式碼品質，進行除錯和監控
• 能夠實現高階的模型訓練、圖表建立和日誌記錄等生產級應用

此種由講師指導的現場培訓在 台灣（線上或線下）進行，針對希望探索深度學習模型中最前沿的可解釋人工智能（XAI）技術的高階專業人士，重點在於構建可解釋的人工智慧系統。

完成本課程後，學員將能夠：

• 理解深度學習中可解釋性的挑戰。
• 為神經網絡實施先進的 XAI 技術。
• 解讀深度學習模型所做的決策。
• 評估效能與透明度之間的權衡。