不同於坊間AI課程偏向觀念性，這堂課將帶領您從專案開發的角度出發，確認應用的場景，考量有效數據資料量等可用資源，選擇合適的演算法，用業界常用的套件，實際解決客戶端的問題與需求，著重在教導業界工程師真正必備的思考路徑與技術，讓您學到觀念的同時也擅於實際運用。
以手寫辨識為例:業界AI開發專案的思考路徑
楊老師實戰經驗豐富曾任職宏基（Acer）、聯發科、中研院…等單位，負責各種AI專案如:MRI/CT/Ultrasound/彩色眼底圖資料等醫療AI，超低解析度人臉識別技術、人臉檢測、2D/3D人臉關鍵點檢測、人臉屬性識別、人臉情緒識別、衣服屬性識別與分割等，熟悉各種電腦視覺技術開發。
上完這堂課， 將讓您了解整個機器學習的基本處理流程，以及業界實際處理AI專案時常會遇到挑戰（包含資料端、模型訓練上的難點）。幫學員在面對實際問題時，找尋適當的工具與方法，快速兜建出一個機器學習的模型，計算出有意義跟價值的成果來解決問題。
您將學到
1.你將可用python寫出爬蟲，讓電腦自動幫您在網路上查找、複製、儲存所有可能需要的資料，省下大把的時間，直接對大量完整的資料做分析，這部分是數據分析不可或缺的一大利器。
2.學會使用機器/深度學習套件工具 （Scikit-Learn、Tensorflow、Keras） 處理實際應用時會遇到的分群問題、分類問題等。同時也會使用Jupyter Notebook撰寫python代碼，為代碼除錯與預測結果比對，提供更加簡易方便的處理方式。
3.學會如何使用 Python 開發設計人工智慧模型，並能實際應用在各個領域上去預測和解決問題。
4.用 AI 自動化輔助藉以部分取代原本需人為處理常規定型的工作
5.從大數據中觀察出洞見、提出有效的解決方案並提高企業的競爭力
6.熟練用各種機器與深度學習的演算法建模，並能在不同情況下選擇適合的演算法建模調校以提高準確度，除此之外也學習如何正確定義客戶問題，把AI應用在實際場景之中。
適合對象
1. 有資料科學的基礎，想更進階學習AI提升資料的運用價值者
2. 有AI基礎觀念、想自行開發AI應用程式
3 有專案開發經驗者佳
4.程式相關工程師，想進入AI領域
5.想利用機器學習與深度學習技術，進行各種預測的技術工程師
主題章節 | 小單元（細項） |
一、機器學習流程與方法 (資料預處理) | 1. 機器學習是什麼？AI 是什麼？ 2. 機器學習相關流程與應用簡介 3. 大數據分析與其重要性 4. 各個機器/深度學習平台的簡單介紹 5. 機器學習相關工具與視覺化簡介 6. 資料爬蟲與資料預處理 7. 機器學習的藍圖 |
二、 機器學習方法與相關議題實做 （使用 Scikit-Learn） | 1. 監督式學習 –迴歸 2. 監督式學習 –分類 3. 整體學習 ( Ensemble Learning ) 4. 非監督式學習 – 分群 |
三、類神經網路與深度學習方法 | 1. 類神經網路與方法簡介 2. 監督式學習 –迴歸 （使用Keras） 3. 監督式學習 –分類 （使用Keras） 4. 非監督式學習 - AutoEncoder ( 使用Keras ) |
四、深度學習（使用 TensorFlow 與 TensorBoard ) | 1. tensorflow 與 tensorboard 簡介與使用 2. 監督式學習 – 迴歸 ( 使用 tensorflow ) 3. 監督式學習 – 分類 ( 使用 tensorflow ) 4. 相關學習議題探討與視覺化分析 ( 使用 tensorboard） |
五、現代深度學習方法技術導論 | 1. 深度學習方法導論 2. 深度學習方法應用 3. 項目挑戰(串接Google雲端運算平台API操作AI實例(例如:人臉檢測/物件檢測/聲音轉文字/文字轉聲音等應用) |
