使用Python和TensorFlow進行欺詐檢測培訓

這是一個為期 4 天的課程，介紹人工智慧及其應用。完成本課程后，可以選擇額外有一天的時間來開展 AI 專案。 

本課程爲講師指導的培訓（線上或線下），面向希望使用Dask與Python生態系統構建、擴展和分析大型數據集的數據科學家和軟件工程師。

在培訓結束時，參與者將能夠：

• 設置環境，開始使用Dask和Python進行大數據處理。
• 探索Dask中可用的功能、庫、工具和API。
• 瞭解Dask如何加速Python中的並行計算。
• 學習如何使用Dask擴展Python生態系統（Numpy、SciPy和Pandas）。
• 優化Dask環境，以保持處理大型數據集時的高性能。

本課程爲講師指導的培訓，在台灣（線上或線下）進行，面向希望提升使用Pandas和NumPy進行數據分析和操作技能的中級Python開發者和數據分析師。

通過本培訓，參與者將能夠：

• 設置包含Python、Pandas和NumPy的開發環境。
• 使用Pandas和NumPy創建數據分析應用。
• 執行高級數據整理、排序和過濾操作。
• 進行聚合操作並分析時間序列數據。
• 使用Matplotlib和其他可視化庫進行數據可視化。
• 調試和優化數據分析代碼。

在這個由講師指導的台灣現場培訓中，參與者將學習使用Python 庫進行NLP，因為他們創建了一個處理 一組圖片並生成標題的應用程式。 

在培訓結束時，參與者將能夠：

•  使用 Python 庫為 NLP 設計和編寫 DL。
• 創建 Python 代碼，讀取大量圖片並生成關鍵字。
• 創建 Python 代碼，用於 從檢測到的關鍵字生成標題。

受衆

本課程適合對利用現有工具（主要爲開源工具）進行計算機圖像分析的深度學習研究人員和工程師。

本課程提供實際案例。

本課程由講師主導，提供線下或線上培訓，旨在幫助開發者使用 FARM (FastAPI, React, 和 MongoDB) 技術棧構建動態、高性能且可擴展的 Web 應用。

通過本課程，學員將能夠：

• 搭建集成了 FastAPI、React 和 MongoDB 的開發環境。
• 理解 FARM 技術棧的關鍵概念、特點和優勢。
• 學習如何使用 FastAPI 構建 REST API。
• 學習如何使用 React 設計交互式應用。
• 使用 FARM 技術棧開發、測試和部署應用（前端和後端）。

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FastAPI與Python更快速、更輕鬆地構建、測試和部署RESTful API的開發者。

通過本課程，學員將能夠：

• 設置必要的開發環境，以使用Python和FastAPI開發API。
• 使用FastAPI庫更快速、更輕鬆地創建API。
• 學習如何基於Pydantic和OpenAPI創建數據模型和模式。
• 使用SQLAlchemy將API連接到數據庫。
• 使用FastAPI工具在API中實現安全和身份驗證。
• 構建容器鏡像並將Web API部署到雲服務器。

這種由 講師指導的 台灣 現場現場培訓（在線或現場）面向希望使用 Modin 構建和實施並行計算的數據科學家和開發人員 Pandas 以加快數據分析速度。

在本次培訓結束時，參與者將能夠：

• 設置必要的環境，開始使用 Modin 大規模開發 Pandas 工作流。
• 瞭解 Modin 的功能、架構和優勢。
• 瞭解 Modin、Dask 和 Ray 之間的區別。
• 使用 Modin 更快地執行 Pandas 操作。
• 實現整個 Pandas API 和函數。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望使用Tensorflow 2.x 構建預測器，分類器，生成模型，神經網路等的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 安裝並配置 TensorFlow 2.x。
• 瞭解 TensorFlow 2.x 相對於以前版本的優勢。
• 構建深度學習模型。
• 實現高級圖像分類器。
• 將深度學習模型部署到雲、移動和IoT設備。

在這個由講師指導的台灣現場（現場或遠端）的現場培訓中，參與者將學習如何配置和使用TensorFlow Serving在生產環境中部署和管理ML模型。

在培訓結束時，參與者將能夠：

• 訓練、導出和提供各種 TensorFlow 模型。
• 使用單個體系結構和一組 API 測試和部署演算法。
• 擴展 TensorFlow Serving 以服務於 TensorFlow 模型以外的其他類型的模型。

TensorFlow 是 Google 開源的深度學習軟件庫的第二代 API。該系統旨在促進機器學習研究，並快速輕鬆地將研究原型過渡到生產系統。

受衆

本課程面向希望在深度學習項目中使用 TensorFlow 的工程師。

完成本課程後，學員將能夠：

• 理解 TensorFlow 的結構和部署機制
• 執行安裝、生產環境、架構任務和配置
• 評估代碼質量，進行調試和監控
• 實現高級生產任務，如訓練模型、構建圖和日誌記錄

本課程通過具體示例，探討了TensorFlow在圖像識別中的應用。

受衆

本課程面向希望利用TensorFlow進行圖像識別的工程師。

完成本課程後，學員將能夠：

• 理解TensorFlow的結構和部署機制
• 執行安裝、生產環境、架構任務和配置
• 評估代碼質量，進行調試和監控
• 實現高級生產任務，如訓練模型、構建圖和日誌記錄

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望從訓練單個ML模型到將多個ML模型部署到生產的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 TFX 和支援的第三方工具。
• 使用 TFX 建立和管理完整的 ML 生產管道。
• 使用 TFX 元件執行建模、訓練、提供推理和管理部署。
• 將機器學習功能部署到 Web 應用程式、行動應用程式、IoT 設備等。

TensorFlow™ 是一個開源的軟件庫，用於使用數據流圖進行數值計算。

SyntaxNet 是一個基於神經網絡的自然語言處理框架，專爲 TensorFlow 設計。

Word2Vec 用於學習詞的向量表示，稱爲“詞嵌入”。Word2Vec 是一種計算效率特別高的預測模型，用於從原始文本中學習詞嵌入。它有兩種模式：連續詞袋模型（CBOW）和 Skip-Gram 模型（Mikolov 等人的第 3.1 和 3.2 章）。

SyntaxNet 和 Word2Vec 結合使用，用戶可以從自然語言輸入中生成學習到的嵌入模型。

受衆

本課程面向希望在 TensorFlow 圖中使用 SyntaxNet 和 Word2Vec 模型的開發人員和工程師。

完成本課程後，學員將能夠：

• 理解 TensorFlow 的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試和監控
• 能夠實現高級生產任務，如訓練模型、嵌入術語、構建圖和日誌記錄

本課程首先爲您提供神經網絡、機器學習算法以及深度學習（算法和應用）的概念性知識。

本培訓的第1部分（40%）更側重於基礎知識，但將幫助您選擇正確的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培訓的第2部分（20%）介紹了Theano——一個使編寫深度學習模型變得簡單的Python庫。

本培訓的第3部分（40%）將廣泛基於TensorFlow——谷歌的開源深度學習軟件庫的API。所有的示例和動手實踐都將在TensorFlow中進行。

受衆

本課程面向希望在其深度學習項目中使用TensorFlow的工程師。

完成本課程後，學員將：

• 對深度神經網絡（DNN）、CNN和RNN有良好的理解
• 理解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試和監控
• 能夠實現高級生產任務，如訓練模型、構建圖和日誌記錄