人工智慧（AI）與機器學習基礎培訓

應用機器學習入門

• 統計學習與機器學習的差異
• 迭代與評估
• 偏差-方差權衡 (Bias-Variance trade-off)
• 監督學習與無監督學習
• 機器學習解決的問題
• 訓練、驗證與測試 – 避免過擬合的機器學習工作流程
• 機器學習工作流程
• 機器學習演算法
• 為問題選擇合適的演算法

演算法評估

• 評估數值預測
  • 準確度衡量指標：ME, MSE, RMSE, MAPE
  • 參數與預測穩定性
• 評估分類演算法
  • 準確度及其局限性
  • 混淆矩陣
  • 類別不平衡問題
• 模型效能視覺化
  • 利潤曲線
  • ROC 曲線
  • 提升曲線 (Lift curve)
• 模型選擇
• 模型調優 – 網格搜尋策略

建模數據準備

• 數據導入與儲存
• 理解數據 – 基本探索
• 使用 pandas 函數庫進行數據操作
• 數據轉換 – 數據清洗 (Data wrangling)
• 探索性分析
• 缺失觀測值 – 檢測與解決方案
• 離群值 – 檢測與處理策略
• 標準化、正規化、二值化
• 定性數據重編碼

用於離群值檢測的機器學習演算法

• 監督式演算法
  • KNN
  • 集成梯度提升 (Ensemble Gradient Boosting)
  • SVM (支援向量機)
• 無監督演算法
  • 基於距離的方法
  • 基於密度的方法
  • 機率方法
  • 基於模型的方法

理解深度學習

• 深度學習基本概念概述
• 機器學習與深度學習的區別
• 深度學習應用場景概述

神經網絡概覽

• 什麼是神經網絡
• 神經網絡與回歸模型的比較
• 理解數學基礎與學習機制
• 構建人工神經網絡
• 理解神經節點與連接
• 處理神經元、層以及輸入輸出數據
• 理解單層感知器
• 監督學習與無監督學習的差異
• 前饋神經網絡與反饋神經網絡
• 理解前向傳播與反向傳播

使用 Keras 構建簡單深度學習模型

• 創建 Keras 模型
• 理解您的數據
• 指定深度學習模型
• 編譯模型
• 擬合模型
• 處理分類數據
• 使用分類模型
• 部署與使用模型

使用 TensorFlow 進行深度學習

• 數據準備
  • 下載數據
  • 準備訓練數據
  • 準備測試數據
  • 縮放輸入
  • 使用佔位符與變數
• 指定網絡架構
• 使用成本函數
• 使用優化器
• 使用初始化器
• 擬合神經網絡
• 構建計算圖
  • 推論
  • 損失
  • 訓練
• 訓練模型
  • 計算圖
  • 會話 (Session)
  • 訓練循環
• 評估模型
  • 構建評估圖
  • 使用評估輸出進行評估
• 大規模模型訓練
• 使用 TensorBoard 進行模型視覺化與評估

深度學習在異常檢測中的應用

• 自編解碼器 (Autoencoder)
  • 編碼器 - 解碼器架構
  • 重構損失
• 變分自編解碼器 (Variational Autencoder)
  • 變分推論
• 生成對抗網絡 (Generative Adversarial Network)
  • 生成器 – 判别器架構
  • 使用 GAN 進行異常檢測的方法

集成框架

• 組合不同方法的結果
• 自助聚合 (Bootstrap Aggregating)
• 平均離群值分數