台北現場機器學習培訓

此課程為講師主導的實作培訓，在[loc]線上或線下[/loc]舉行，旨在幫助初階專業人士理解預訓練模型的概念，並學習如何應用它們解決實際問題，無需從頭建構模型。

完成本課程後，學員將能夠：

• 理解預訓練模型的概念與優勢。
• 探索不同的預訓練模型架構及其適用場景。
• 針對特定任務微調預訓練模型。
• 在簡單的機器學習專案中實作預訓練模型。

本培訓為教師引導的實戰課程，於 台北 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。

這門在 台北（線上或線下）進行的由講師帶領的培訓課程，主要面向希望將 AI 模型部署至邊緣設備的中級 AI 開發者、機器學習工程師及系統架構師。

完成本培訓後，參與者將能夠：

• 理解在邊緣設備上部署 AI 模型的挑戰與需求。
• 應用模型壓縮技術來縮小 AI 模型的規模與複雜度。
• 利用量化方法提升模型在邊緣硬體上的效率。
• 實施剪枝及其他最佳化技術以改善模型效能。
• 將優化後的 AI 模型部署於多種邊緣設備。

此由講師主導的即時培訓，地點在台北（線上或線下），旨在針對中階開發者、數據科學家及科技愛好者，助其獲得在各種應用中於邊緣裝置部署AI模型的實用技能。

完成本培訓後，學員將能夠：

• 理解Edge AI的原理及其優勢。
• 設定與配置邊緣運算環境。
• 開發、訓練並優化適用於邊緣部署的AI模型。
• 在邊緣裝置上實施實用的AI解決方案。
• 評估並改善邊緣部署模型的效能。
• 處理Edge AI應用中的倫理與安全考量。

本課程為講師指導的即時培訓 台北（線上或線下），針對具備中至高階經驗的高階 AI 工程師和數據科學家，旨在協助參與者提升 DeepSeek 模型效能、降低延遲，並利用現代 MLOps 實踐高效部署 AI 解決方案。

完成本培訓後，參與者將能夠：

• 最佳化 DeepSeek 模型，提升效率、準確性與可擴展性。
• 實施 MLOps 及模型版本控制的最佳實踐。
• 在雲端和本地基礎設施上部署 DeepSeek 模型。
• 有效監控、維護並擴展 AI 解決方案。

MLOps on Kubernetes 是一個框架，可利用容器化管線和 GitOps 工作流，自動執行機器學習模型的訓練、驗證、打包與部署。

本課程由講師帶領進行現場教學（線上或離線），適合希望於 Kubernetes 上構建自動化、具擴充性 MLOps 管線的中階從業者。

完成本課程後，學員將能：

• 設計端到端的機器學習 CI/CD 管線。
• 實作用於模型部署與版本控管的 GitOps 工作流。
• 自動化 ML 模型的訓練、測試與打包流程。
• 整合監控、警報及復原策略。

課程形式

• 講師引導的簡報技術深究。
• 實作演練，建構真實世界的 CI/CD 工作流。
• 實驗室練習，將 ML 負載部署至 Kubernetes。

課程客製化選項

• 企業可請求內容客製化，以符合其內部 MLOps 工具與基礎建設需求。

Kubeflow 是一個開源平台，旨在簡化在 Kubernetes 上建構、訓練和部署機器學習工作負載的流程。

這門由講師指導的實訓課程（線上或線下）適用於初級至中級專業人士，他們希望利用 Kubeflow 建立可靠的 ML 工作流程。

完成培訓後，參訓者將獲得以下技能：

• 導覽 Kubeflow 生態系統及其核心組件。
• 使用 Kubeflow Pipelines 建立可重現的工作流程。
• 在 Kubernetes 上執行可擴展的訓練作業。
• 高效地使用 Kubeflow Serving 部署機器學習模型。

課程格式

• 指導性講解與協作討論。
• 透過實際 Kubeflow 組件進行實戰練習。
• 實務演練，建構端到端 ML 工作流程。

課程客製化選項

• 可安排客製化的培訓版本，以符合您團隊的技術堆疊與專案需求。

TinyML 是指在資源受限的邊緣裝置上部署最佳化的機器學習模型。

本課程由講師帶領進行 live training（線上或線下），針對希望設計、最佳化並部署完整 TinyML 管線的高階技術專業人員。

完成培訓後，學員將學會如何：

• 收集、準備及管理 TinyML 應用程式的數據集。
• 為低功耗微控制器訓練並最佳化模型。
• 將模型轉換為適合邊緣裝置的輕量級格式。
• 在真實硬體環境中部署、測試及監控 TinyML 應用程式。

課程形式

• 講師引導講授與技術討論。
• 實務操作練習與迭代實驗。
• 在基於微控制器的平台上進行手動部署。

課程客製化選項

• 如需針對特定工具鏈、硬體開發板或內部工作流程進行客製化，請聯繫我們安排。

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。

此種由講師主導的直播培訓在台北（線上或線下）進行，旨在幫助高階專業人士掌握自主系統的技術。

完成本培訓後，學員將能夠：

• 設計並實現用於自主決策的AI模型。
• 開發用於自主導航與障礙物偵測的控制演算法。
• 確保AI驅動自主系統的安全與可靠性。
• 將自主系統整合至現有的機器人和AI框架中。

此由講師主導的即時培訓 台北（線上或線下），旨在協助高階專業人士深入理解電腦視覺，並探索使用 Google Colab 開發複雜視覺模型的 TensorFlow 能力。

在課程結束後，參與者將能夠：

• 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至實際應用場景。
• 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。

TinyML 是一種在網路邊緣運行、具有低功耗和資源限制裝置上部署機器學習模型的架構。

本課程由講師親自指導，提供線上或線下培訓方式，專門針對希望確保 TinyML 管道安全並在邊緣 AI 應用中實施隱私保護技術的進階專業人士。

完成本課程後，學員將能夠：

• 識別裝置端 TinyML 推理特有的安全风险。
• 為邊緣 AI 部署實現隱私保護機制。
• 加固 TinyML 模型和嵌入式系統，以抵禦敵對威脅。
• 在資源受限環境中應用最佳實踐，進行安全數據處理。

課程格式

• 生動的講座結合專家主導的討論。
• 強調真實世界威脅場景的實作練習。
• 透過嵌入式安全性和 TinyML 工具進行實際實作。

課程客製化選項

• 企業可要求客製化版本的培訓，以符合其特定安全與合規需求。

此為講師引導的實體培訓（台北，線上或線下），旨在幫助進階專業人員深化對機器學習模型的理解、改善超參數微調技巧，並學會如何有效利用 Google Colab 部署模型。

完成本課程後，學員將能夠：

• 使用 Scikit-learn、TensorFlow 等流行框架實作進階機器學習模型。
• 透過超參數微調最佳化模型效能。
• 在 Google Colab 中將機器學習模型部署至實際應用場景。
• 在 Google Colab 中協作並管理大規模機器學習專案。

這項在台北（線上或線下）進行由講師主導的現場培訓，主要針對希望將AI技術應用於優化半導體製造中產能管理的初級至中階專業人員。

在完成此課程後，學員將能夠：

• 分析生產數據以識別影響產量的因素。
• 實施AI演算法來提升產能管理流程。
• 優化生產參數以减少缺陷並提高產量。
• 將基於AI的產能管理整合到現有的生產工作流程中。

此位於 台北（線上或線下）的講師主導即時培訓，旨在針對希望使用真實案例和 Python 工具在商業、預測及 AI 驅動系統中運用機器學習的中階業務和 AI 專業人員。

完成培訓後，學員將能夠：

• 了解機器學習如何融入 AI 與商業策略。
• 將監督式與非監督式學習技術應用於結構化商業問題。
• 對數據進行預處理和轉換以用於建模。
• 使用神經網路執行分類與預測任務。
• 使用統計方法和基於機器學習的方法進行銷售預測。
• 實施聚類和關聯規則挖掘，以進行客戶分群及模式發現。

這門由導師主導的即時培訓在 台北（線上或線下）舉行，旨在幫助希望將 AI 驅動的預測性維護技術應用於半導體製造中的中階專業人員，以提升生產效率並減少意外設備故障。

培訓結束後，參與者將能夠：

• 實施用於預測半導體製造中設備故障的 AI 模型。
• 分析維護數據以識別指示潛在問題的模式和趨勢。
• 將 AI 驅動的預測性維護整合到現有的製造工作流程中。
• 透過主動的設備管理來減少停機時間和維護成本。

本課程由講師親自指導，提供線上或線下培訓，針對希望將尖端 AI 技術應用於半導體設計自動化的中高阶專業人士。此訓練旨在提升晶片設計與驗證的效率、準確性與創新力。

完成此訓練後，參與者將能夠：

• 運用進階 AI 技術最佳化半導體設計流程。
• 將機器學習模型整合至 EDA 工具，以強化設計驗證。
• 開發 AI 驅動的解決方案，應對晶片製造中的複雜設計挑戰。
• 利用神經網絡提升設計自動化的準確性與速度。

這門在 台北（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。

這門在台北（線上或線下）進行的講師帶路的現場培訓，對象為希望了解並應用AI技術優化半導體製程的中階專業人士。

完成本課程後，參與者將能夠：

• 理解晶片製造中用於流程優化的AI方法論。
• 實施AI模型以提升良率並減少缺陷。
• 分析製程數據以識別優化的關鍵參數。
• 應用機器學習技術來微調半導體製造流程。

此由導師主導的現場培訓（台北）針對希望使用 Apache Airflow 自動化及管理機器學習工作流的初學者參與者，包括模型訓練、驗證和部署。

完成此課程後，學員將能夠：

• 設置 Apache Airflow 以進行機器學習工作流的協調。
• 自動化數據預處理、模型訓練和驗證任務。
• 將 Airflow 與機器學習框架和工具集成。
• 使用自動化管道部署機器學習模型。
• 監控和优化生產環境中的機器學習工作流。

這是一場在台北（線上或線下）舉行的講師帶領的現場培訓，針對希望使用Google Colab環境高效應用機器學習演算法的中級數據科學家和開發人員。

完成此培訓後，學員將能夠：

• 設置和導航Google Colab以進行機器學習項目。
• 理解並應用各種機器學習演算法。
• 使用Scikit-learn等庫來分析數據並進行預測。
• 實施監督式和非監督式學習模型。
• 有效優化與評估機器學習模型。

TinyML 是在高度資源受限的硬體上部署機器學習模型的實踐。

這種由講師主導的實時培訓（線上或線下）面向希望為嵌入式設備優化 TinyML 模型，實現低延遲和內存高效部署的高級從業人員。

完成此培訓後，參與者將能夠：

• 應用量化、剪枝和壓縮技術來減少模型大小而不犧牲準確性。
• 為延遲、內存消耗和能源效率對 TinyML 模型進行基準測試。
• 在微控制器和邊緣設備上實施優化後的推理管道。
• 評估效能、準確性和硬體約束之間的權衡。

課程格式

• 由技術示範支持的講師主導演示。
• 實際優化練習和比較性能測試。
• 在受控實驗室環境中手動實施 TinyML 管道。

課程自定義選項

• 對於針對特定硬體平台或內部工作流程定製的培訓，請聯繫我們以定制該計劃。

此種由講師指導的現場培訓在 台北（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。

此講師主導的即時培訓（線上或線下）適合初階專業人士，旨在協助他們了解並將人工智慧技術應用於半導體製造業。

完成本課程後，學員將能夠：

• 掌握人工智慧的基本原理及其在半導體製造中的應用方式。
• 找出半導體製造中適合導入人工智慧的領域。
• 運用人工智慧工具與技術，提升生產效率及品質控制能力。
• 建置基礎人工智慧模型，以最佳化製造流程。

Docker 是一個容器化平台，用於建構可重複使用、便攜且具擴展性的 ML 系統環境。

本課程由講師親自指導，提供線上或線下培訓形式，主要針對希望將完整 ML 管線進行容器化和運作的初級至中高級技術專業人士。

完成培訓後，學員能夠：

• 對 ML 訓練、驗證與推論工作負載進行容器化。
• 設計並協調使用 Docker 及支援工具的端到端 ML 管線。
• 為 ML 元件實作版本控制、可重複性以及 CI/CD。
• 在容器化環境中部署、監控和擴展 ML 服務。

課程形式

• 互動式講座，輔以實務示範。
• 專注於建構真實 ML 管線元件的實作練習。
• 端到端容器化工作流的實境實驗室實作。

課程客製化選項

• 如需針對特定 ML 基礎設施需求的客製化培訓，請聯絡我們討論選項。

這堂在 台北（線上或線下）舉辦、由講師主導的實體課程，主要針對希望利用 ML.NET 機器學習模型，從執行的資料分析中自動推導預測結果，以服務於企業應用程式的資料科學家與開發人員。

課程結束後，學員將能夠：

• 安裝 ML.NET 並將其整合至應用程式開發環境。
• 理解 ML.NET 工具與演算法背後的機器學習原理。
• 建構並訓練機器學習模型，以聰明地利用所提供資料進行預測。
• 使用 ML.NET 指標評估機器學習模型的效能。
• 基於 ML.NET 框架優化現有機器學習模型的準確度。
• 將 ML.NET 的機器學習概念應用於其他資料科學應用程式。

這項由講師主導的現場培訓在 台北（線上或線下）進行，旨在協助中階資料專業人員將機器學習技術應用於數據驅動的商业問題，包括銷售預測和使用神經網路進行預測建模。

課程結束後，學員將能夠：

• 理解機器學習的核心概念和類型。
• 套用分類、迴歸、聚類和關聯分析等關鍵演算法。
• 使用 Python 執行探索性數據分析和數據準備。
• 運用神經網路進行非線性建模任務。
• 實施業務預測的預測性分析，包括銷售數據。
• 使用視覺化和統計技術評估並優化模型效能。

本課程為在 台北（線上或線下）舉辦的講師主導即時培訓，旨在幫助中高級數據科學家、機器學習工程師、深度學習研究人員及計算機視覺專家擴展其在文字轉影像生成領域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進階深度學習架構與技術。
• 實現複雜模型並進行優化，以生成高品質影像。
• 針對大量資料集與複雜模型優化性能與可擴展性。
• 調整超參數以提升模型性能與泛化能力。
• 將 Stable Diffusion 與其他深度學習框架和工具整合

此課程由講師帶隊進行現場培訓（線上或線下），適合希望提升在AI驅動的威脅偵測和事件回應方面技能的初級到高級資安專業人員參加。

完成本課程後，學員將能夠：

• 實現先進的AI演算法用於即時威脅偵測。
• 為特定的網路安全挑戰自訂AI模型。
• 開發自動化工作流以應對威脅。
• 保護AI驅動的security工具免受敵對攻擊。

本課程為由講師指導的培訓（台北線上或線下），針對希望使用 TensorFlow Lite 和 Edge Impulse 在微控制器上部署機器學習模型的初級嵌入式系統工程師和AI開發人員。

完成此培訓後，參與者將能夠：

• 理解TinyML的基本概念及其對邊緣AI應用的益處。
• 建立用於TinyML項目的開發環境。
• 在低功耗微控制器上訓練、優化並部署AI模型。
• 使用TensorFlow Lite 和 Edge Impulse實現實際的TinyML應用。
• 針對功耗限制和記憶體約束進行AI模型優化。

此種由導師主導的培訓（現場或線上），旨在幫助初階網路安全專業人士學習如何利用AI提升威脅偵測與回應能力。

完成本培訓後，學員將能夠：

• 理解人工智慧在網路安全的應用。
• 實施用於威脅偵測的人工智慧演算法。
• 使用AI工具自動化事件回應流程。
• 將人工智慧整合至現有的網路安全基礎設施。

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。

這項在 台北 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。

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。

這堂由講師指導的現場培訓在 台北（線上或線下）進行，旨在幫助初級工程師和數據科學家理解 TinyML 的基本原理、探索其應用，並在微控制器上部署 AI 模型。

完成培訓後，學員將能夠：

• 理解 TinyML 的基本概念及其重要性。
• 在微控制器和邊緣設備上部署輕量級 AI 模型。
• 為低功耗需求優化及微調機器學習模型。
• 將 TinyML 應用於實境場景，例如手勢辨識、異常偵測與音訊處理。

本課程旨在提供在實務中應用機器學習方法的通用能力。透過使用 Python 程式語言及其各種函式庫，並基於大量實務範例，本課程教導如何使用機器最重要的建築模組，如何做出資料建模決策，解釋演算法的輸出結果，並驗證成果。

我們的目标是給予您理解並自信使用機器學習工具箱中最基本工具的技術，避免資料科學應用中的常見陷阱。

「從零開始應用人工智慧與Python」為程式設計師和數據分析師提供基礎技術，使用Python從頭構建機器學習解決方案。涵蓋監督式學習（分類與回歸）的核心原理、非監督式學習（聚類與異常檢測）、以及進階的神經網路架構。探討如何有效利用scikit-learn、Apache Spark MLlib與Jupyter Notebook進行實際開發，協助專業人員實踐ML模型、評估演算法限制，並完成應用專案以解決真實世界問題。

深度強化學習 (DRL) 將強化學習原理與深度學習架構相結合，使智能體能透過與環境互動來做出決策。它支撐了許多現代人工智慧的進步，如自駕車、機器人控制、演算法交易和動態推薦系統。DRL 讓人工智慧智能體能夠基於獎勵機制進行學習，從而制定策略、最佳化政策，並做出自主決策。

這門由講師主導的現場培訓（線上或線下）旨在為中階開發人員和資料科學家提供學習和應用深度強化學習技術的機會，以建構能在複雜環境中自主決策的智慧型智能體。

完成本培訓後，學員將能夠：

• 理解強化學習的理論基礎與數學原理。
• 實作關鍵的強化學習演算法，包括 Q-Learning、政策梯度和 Actor-Critic 方法。
• 使用 TensorFlow 或 PyTorch 建構和訓練深度強化學習智能體。
• 將 DRL 應用於遊戲、機器人技術和決策最佳化等現實世界場景。
• 使用現代工具進行除錯、可視化和最佳化訓練效能。

課程格式

• 互動式講授與引導式討論。
• 實作練習與實際應用。
• 即時編碼示範與專案導向應用。

課程客製化選項

• 如需此課程的客製化版本（例如，使用 PyTorch 取代 TensorFlow），請聯絡我們進行安排。

探討人工智慧的基礎，揭示智能技術如何重塑企業營運中的數位策略、自動化與決策過程。涵蓋人工智慧的歷史、問題解決框架、知識表示、不確定性推理與機器學習範式，並結合溝通、感知與自主行動等核心概念。引導主管與架構師評估由AI驅動的轉型機會，掌握新興科技趨勢，並整合務實的智能解決方案，以加速業務敏捷度。

本課程涵蓋人工智慧（著重機器學習與深度學習）在汽車產業的應用。它有助於確定哪些技術可以在車內的多種情境中（潛在地）使用：從簡單的自動化、影像辨識，到自主決策。

此為期 8 天的課程提供一條完整的學習路徑，從堅實的 Python 工程基礎邁向進階 AI 系統設計。學員將建立嚴謹的編碼實踐，掌握統計與深度學習方法，並建構可供生產環境使用的生成式 AI 及基於代理者的系統。本課程著重於可靠性、評估、安全性及實際部署，而非僅限於實驗階段。

人工神經網路是用於開發能夠執行「智能」任務的人工智慧（AI）系統的計算數據模型。神經網路通常用於機器學習（ML）應用，而機器學習本身是人工智慧的一種實現方式。深度學習則是機器學習的一個子集。

通過涵蓋核心算法（包括樸素貝葉斯、決策樹、神經網絡、支持向量機和聚類技術）的全面機器學習培訓課程，提升您的數據科學專業知識。結合理論基礎與實例應用，獲得動手實踐經驗。該課程適合希望應用機器學習解決方案的数据分析師、軟件工程師、AI 愛好者以及業務專業人士。掌握分類性能指標、交叉驗證、偏差-方差均衡以及深度學習基礎知識，構建健壯的預測模型。

這門由講師主導的現場培訓在 台北（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。

本課程由講師親自指導，提供線上或線下培訓模式（台北），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。

機器學習是人工智慧的分支，讓電腦能在未經明確編程的情況下學習。

深度學習是機器學習的子領域，使用基於學習數據表示和結構的方法，例如神經網絡。

Python 是一門高階程式設計語言，以其清晰的語法和可讀性而聞名。

在本次導師指導的實作培訓中，參與者將學習如何使用 Python 實現電信業的深度學習模型，並透過建立深度學習信用風險模型的步驟進行實踐。

完成本培訓後，參與者將能夠：

• 理解深度學習的基本概念。
• 了解深度學習在電信業的應用與用途。
• 使用 Python、Keras 和 TensorFlow 為電信業建立深度學習模型。
• 使用 Python 建立自己的客戶流失預測深度學習模型。

課程形式

• 互動式講授與討論。
• 大量的練習與實作。
• 在即時實驗室環境中進行動手實作。

課程客製化選項

• 如需為本課程申請客製化培訓，請聯絡我們安排。

這門實操性的導師引導培訓課程，是 Python for Data Analysis 課程的自然延續。

它向學員介紹機器學習的核心概念，並展示如何將其直接應用於預測、分類和分群等數據分析任務。

重點在於理解機器學習在實踐中的運作方式，使用如 Python、Pandas 和 Jupyter Notebook 等熟悉的工具，無需具備先進的數學背景。

此種由講師引導的即時培訓在 台北（線上或線下）進行，旨在協助工程師評估現有的方法與工具，從而為組織採用 MLOps 做出明智決策。

培訓結束後，參與者將能夠：

• 安裝及設定各種 MLOps 框架和工具。
• 組建具備適當技能團隊，以構建並支援 MLOps 系統。
• 準備、驗證資料，並為 ML 模型建立版本管理。
• 理解 ML 管線的組件及其所需工具。
• 透過不同的機器學習框架與伺服器進行生產環境部署實驗。
• 使整個機器學習流程具備可復現性與可維護性，實現營運化。

這門由導師主導的現場培訓在 台北（線上或線下）進行，旨在為初級到中級的資料分析師、開發人員或 aspiring 資料科學家提供實用的機器學習技巧應用指導。通過在 Python 中運用這些技術，學員將能夠提取洞察、做出預測並自動化基於資料的決策。

完成本課程後，參與者將能夠：

• 理解並區分關鍵的機器學習範式。
• 探索資料預處理技術和模型評估指標。
• 應用機器學習演算法解決真實世界中的資料問題。
• 使用 Python 庫和 Jupyter notebooks 進行實作開發。
• 建立用於預測、分類、推薦和聚類的模型。

本課程提供由講師帶領的現場或遠程實戰培訓（在線或離線），旨在協助開發人員和數據科學家使用 TensorFlow 2.x 建構預測模型、分類器、生成模型、神經網絡等。

完成本培訓後，學員將能夠：

• 安裝並配置 TensorFlow 2.x。
• 了解 TensorFlow 2.x 相較於早期版本的優勢。
• 建構深度學習模型。
• 實現高級圖像分類器。
• 將深度學習模型部署至雲端、移動設備和 IoT 設備。

本課程首先提供有關神經網路的一般概念知識，涵蓋機器學習演算法、深度學習（包括演算法和應用）。

第一部分佔總課程的40%，重點在於基礎概念，但將幫助您選擇適當的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

第二部分佔總課程的20%，將介紹Theano。這是一套Python函式庫，可讓建立深度學習模型變得輕鬆簡便。

第三部分佔總課程的40%，內容主要基於Tensorflow。它是Google為深度學習提供的開源軟體程式庫API。所有範例和實作練習均使用TensorFlow完成。

適用對象

本課程旨在協助希望將其深度學習專案中使用TensorFlow的工程師。

完成此課程後，受訓學員將能夠：

• 對深度神經網路(DNN)、CNN和RNN有良好的理解
• 了解TensorFlow的結構和部署機制
• 能夠執行安裝、生產環境設定和架構配置任務
• 能夠評估程式碼品質，進行除錯和監控
• 能夠實現高階的模型訓練、圖表建立和日誌記錄等生產級應用