人工智慧（AI）與機器學習基礎培訓

應用機器學習簡介

• 統計學習與機器學習之比較
• 迭代與評估
• 偏差-方差權衡
• 監督式與非監督式學習之比較
• 機器學習可解決的問題
• 訓練集、驗證集與測試集 – 避免過度擬合的機器學習工作流
• 機器學習工作流
• 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
  • 準確率度量：ME, MSE, RMSE, MAPE
  • 參數與預測穩定性
• 評估分類演算法
  • 準確率及其問題
  • 混淆矩陣
  • 類別不平衡問題
• 可視化模型效能
  • 利潤曲線
  • ROC 曲線
  • 提升度（Lift）曲線
• 模型選擇
• 模型調參 – 網格搜尋策略

建模前的數據準備

• 數據導入與儲存
• 理解數據 – 基本探索
• 使用 pandas 庫進行數據操作
• 數據轉換 – 數據整理
• 探索性分析
• 缺失值 – 檢測與解決方案
• 異常值 – 檢測與策略
• 標準化、歸一化、二值化
• 質性數據重新編碼

用於異常值檢測的機器學習演算法

• 監督式演算法
  • KNN
  • 集成梯度提升
  • SVM
• 非監督式演算法
  • 基於距離的方法
  • 基於密度的方法
  • 概率方法
  • 基於模型的方法

理解深度學習

• 深度學習基本概念概述
• 區分機器學習與深度學習
• 深度學習應用概述

神經網絡概述

• 什麼是神經網絡
• 神經網絡與回歸模型之比較
• 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、層以及輸入與輸出數據
• 理解單層感知器
• 監督式與非監督式學習的差異
• 學習前饋與反饋神經網絡
• 理解正向傳播與反向傳播

使用 Keras 構建簡單深度學習模型

• 建立 Keras 模型
• 理解您的數據
• 指定您的深度學習模型
• 編譯您的模型
• 擬合您的模型
• 處理分類數據
• 處理分類模型
• 使用您的模型

使用 TensorFlow 進行深度學習

• 準備數據
  • 下載數據
  • 準備訓練數據
  • 準備測試數據
  • 縮放輸入值
  • 使用佔位符與變數
• 指定網絡架構
• 使用損失函數
• 使用優化器
• 使用初始化器
• 擬合神經網絡
• 構建圖（Graph）
  • 推論
  • 損失
  • 訓練
• 訓練模型
  • 圖（The Graph）
  • 會話（The Session）
  • 訓練迴圈
• 評估模型
  • 構建評估圖
  • 使用評估輸出進行評估
• 大規模訓練模型
• 使用 TensorBoard 可視化與評估模型

深度學習在異常檢測中的應用

• 自編碼器（Autoencoder）
  • 編碼器 - 解碼器架構
  • 重建損失
• 變分自編碼器（Variational Autoencoder）
  • 變分推論
• 生成對抗網絡（GAN）
  • 生成器 - 鑑別器架構
  • 使用 GAN 進行異常檢測的方法

集成框架

• 結合不同方法的結果
• Bootstrap 聚合（Bootstrap Aggregating）
• 平均異常分數