台灣現場深層學習培訓

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。

本課程為 instructor-led 實作訓練，主題為 台灣（線上或現場），旨在幫助進階專業人士深入理解電腦視覺，並探索使用 Google Colab 以 TensorFlow 開發複雜視覺模型的能力。

完成本訓練後，學員將能夠：

• 使用 TensorFlow 建構和訓練卷積神經網路（CNN）。
• 利用 Google Colab 進行可擴展且高效的雲端模型開發。
• 實施適用於電腦視覺任務的影像預處理技術。
• 將電腦視覺模型部署於實際應用場景。
• 使用遷移學習提升 CNN 模型的效能。
• 視覺化並解釋影像分類模型的結果。

這門在 台灣（線上或線下）舉辦的由講師主導的實時培訓，旨在幫助中級數據科学家和開發人員理解並應用在 Google Colab 環境中的深度學習技術。

完成此培訓後，學員將能夠：

• 為深度學習項目設置和導航 Google Colab。
• 理解神經網絡的基本原理。
• 使用 TensorFlow 實現深度學習模型。
• 訓練和評估深度學習模型。
• 利用 TensorFlow 的高級功能進行深度學習。

這項在 台灣（線上或線下）舉辦的由講師主導的培訓，旨在為希望專精於 NLU 尖端深度學習技術的高階專業人士提供指導。

完成本培訓後，學員將能夠：

• 理解 NLU 與 NLP 模型之間的主要差異。
• 將先進的深度學習技術應用於 NLU 任務。
• 探索轉運器（Transformers）和注意力機制等深度架構。
• 利用 NLU 的未來趨勢，構建複雜的 AI 系統。

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。

本課程由講師指導，在 台灣 提供線上或線下實訓模式。目標對象為初階至進階等級的數據科學家、機器學習工程師、深度學習研究員以及電腦視覺專家，他們希望擴展其在文字轉影像生成的深度學習知識與技能。

完成本培訓後，學員將能夠：

• 理解用於文字轉影像生成的先進深度學習架構和技術。
• 實施複雜模型與優化方案，以合成高品質影像。
• 針對大型資料集與複雜模型，最佳化效能與可擴展性。
• 調整超參數，以提升模型效能與泛化能力。
• 將 Stable Diffusion 與其他深度學習框架和工具整合

本 台灣（線上或線下）由講師親自授課的即時培訓（Live），對象為希望利用 AI 技術革新藥物發現與開發流程的高階專業人士。

完成本培訓後，學員將能夠：

• 了解 AI 在藥物發現與開發中的角色。
• 應用機器學習技術預測分子特性及互動關係。
• 使用深度學習模型進行虛擬篩選與候選藥優化。
• 將 AI 驅動方法整合至臨床試驗流程。

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。

這種在 台灣（線上或線下）舉行的由講師引導的實時培訓，旨在為初級到中級的開發人員提供使用大型語言模型進行各種自然語言任務的技能。

通過本培訓，學員將能夠：

• 設置包含流行 LLM 的開發環境。
• 創建基本的 LLM 並在自定義數據集上進行微調。
• 使用 LLMs 處理不同的自然語言任務，如文本摘要、問答、文本生成等。
• 使用 TensorBoard、PyTorch Lightning 和 Hugging Face Datasets 等工具對 LLMs 進行調試和評估。

這門提供線上或線下實時教學的課程，旨在幫助資料科學家、機器學習工程師以及電腦視覺研究人員，運用穩定擴散技術為多種用例生成高品質影像。

完成本課程後，學員將能夠：

• 理解穩定擴散的原理及其在影像生成中的運作方式。
• 建立並訓練用於影像生成任務的穩定擴散模型。
• 將穩定擴散應用於各種影像生成場景，例如圖像修復、圖像擴展以及圖像到圖像的轉換。
• 優化穩定擴散模型的性能和穩定性。

在 台灣 舉辦的由講師帶領之實體課程中，學員將學習最實用及前沿的 Python 機器學習技術，並透過構建涉及影像、音樂、文字和財務資料的一系列示範應用程式來掌握這些技能。

完成此培訓後，學員將能夠：

• 實現機器學習演算法和技術以解決複雜問題。
• 將深度學習和半監督學習應用於涉及影像、音樂、文字和財務資料的應用程式。
• 發揮 Python 演算法的最大潛力。
• 使用 NumPy 和 Theano 等函式庫和套件。

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。

本課程為由導師帶領的實作培訓，地點在 台灣（線上或線下），旨在幫助軟體開發人員、數據分析師及技術專業人士掌握使用 TensorFlow 2.x 與 Keras 建構、訓練並部署深度學習模型以處理電腦視覺、自然語言處理和多模態應用的技能。

本課程由講師親自指導，提供線上或線下培訓模式（台灣），專為希望利用 TensorFlow 分析潛在詐欺資料的資料科學家而設計。

完成本課程後，參與者將具備以下能力：

• 使用 Python 和 TensorFlow 建立詐欺偵測模型。
• 建構線性迴歸及線性迴歸模型以預測詐欺。
• 開發端到端的人工智慧應用系統，用於分析詐欺資料。

在這場由講師主導的實地培訓中，參與者將學習如何使用 Matlab 設計、建構和可視化用於影像辨識的卷積神經網路。

完成本培訓後，參與者將能夠：

• 建構深度學習模型
• 自動化資料標記
• 處理來自 Caffe 和 TensorFlow-Keras 的模型
• 使用多個 GPU、雲端或叢集進行資料訓練

目標受眾

• 開發人員
• 工程師
• 領域專家

課程形式

• 部分授課、部分討論，並配有大量練習與實作

此課程為講師授課的現場訓練 台灣（線上或實體），旨在協助開發人員與數據科學家使用 TensorFlow 2.x 建立預測器、分類器、生成式模型、神經網絡等。

完成本課程後，學員將能夠：

• 安裝並設定 TensorFlow 2.x。
• 理解 TensorFlow 2.x 相較於先前版本的優勢。
• 建立深度學習模型。
• 實作進階影像分類器。
• 將深度學習模型部署至雲端、行動裝置及 IoT 設備。