Python 機器學習 – 4 天培訓

這門課程提供講師在場指導及現場實作訓練（線上或線下）。主要對象為希望了解 AlphaFold 運作原理，並將 AlphaFold 模型作為實驗研究指南的生物學家。

完成本培訓後，學員將能夠：

• 理解 AlphaFold 的基本原理。
• 學習 AlphaFold 的運作方式。
• 學習如何解讀 AlphaFold 的預測結果與數據。

本培訓為教師引導的實戰課程，於 台灣 進行（提供線上或線下方式），適合希望利用 Google AutoML 平台為各種應用場景建立客製化聊天機器人的參與者。

完成本培訓後，學員將能夠：

• 了解聊天機器人開發的基本原理。
• 熟悉 Google Cloud Platform 並訪問 AutoML。
• 準備用於訓練聊天機器人的數據。
• 使用 AutoML 訓練和評估自訂聊天機器模型。
• 將聊天機器人部署並整合到各個平台和渠道中。
• 隨時間推移監控並優化聊天機器的性能。

這門由講師主導的現場培訓在 台灣（線上或線下）提供了對模式識別和機器學習領域的介紹。它涉及到統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

在這次培訓結束後，參與者將能夠：

• 將核心統計方法應用於模式識別。
• 使用關鍵模型（如神經網絡和核方法）進行數據分析。
• 實施複雜問題解決的先進技術。
• 通過組合不同模型提高預測準確性。

此由講師主導的實體培訓（線上或線下）旨在為中階開發人員、數據科學家及 AI 從業者，提供運用 TensorFlow Lite 於 Edge AI 應用的技能。

完成本培訓後，學員將能夠：

• 理解 TensorFlow Lite 的基本概念及其在邊緣 AI 中的角色。
• 使用 TensorFlow Lite 開發並優化 AI 模型。
• 將 TensorFlow Lite 模型部署至各種邊緣設備。
• 運用模型轉換與優化工具及技術。
• 利用 TensorFlow Lite 實現實務上的 Edge AI 應用。

這是由講師帶領的實時培訓（線上或線下），地點為 台灣。該課程專為希望構建、部署和管理 Kubernetes 上機器學習工作流的開發人員和數據科學家設計。

完成本培訓後，學員將能夠：

• 在本地環境和雲環境中安裝並配置 Kubeflow。
• 基於 Docker 容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在多種架構和雲環境中運行完整的機器學習管線。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 在多個平台上構建 ML 訓練、超參數調整和服務負載。

這項在 台灣 舉辦的由講師帶領之現場教學（線上或線下），旨在協助初級至中級的資料分析師學習如何使用 RapidMiner 來估算與預測數值，並運用分析工具進行時間序列預測。

完成本課程後，參與者將能夠：

• 學習應用 CRISP-DM 方法论，選取合適的機器學習演算法，並提升模型建構與效能。
• 使用 RapidMiner 來估算與預測數值，並運用分析工具進行時間序列預測。

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。