104學習精靈

大數據分析 DAX函數基礎認識 銷售資料分析 資料建模 大數據分析是數據行銷的利器，一般而言，必須精通程式語言，但對普通知識工作者是一項很大的挑戰，所以一些商業智慧與視覺化工具紛紛上市，在眾多軟體中，Power BI已成為這領域的佼佼者，領先其他業者。在我幫他人處理Excel的商業問題時，90%都是函數的問題，可見函數應用是Excel的核心，而Power BI核心也是DAX函數，精通函數應用之後，就可以精確繪製圖表，佈署儀表板達到管理與宣傳之效。 我精選幾個DAX函數，初步解釋這些函數應用與Power BI的觀念，他的應用方式跟EXCEL不太一樣，但只要了解這些觀念就可以借用EXCEL的函數。此課程分上下兩集，一共有50個單元，每個單元的DAX函數多會深入探討，仔細解釋，了解函數之間的差異。當然，DAX函數非常多，無法一一解析，有一大半都是EXCEL本來的函數，新的函數也一直出現，所以某些函數沒有在這個課程裡，但是精通這幾個DAX函數之後，再去學其他新函數就易如反掌。 還有Excel Power Pivot也是用DAX函數處理更先進的資料分析。*錄製時間長，橫跨不同版本，但不影響DAX應用，如有訂購疑慮，請自行斟酌。 點此選購下集 

在這門課程中，您將學習如何使用ChatGPT來創造故事情節，並且學習使用Midjoureny來創作精美的插圖。課程中的教學內容相當簡單易懂，對於沒有太多數位科技經驗的人也能一目了然。 透過這個課程，您將可以獨立完成一本屬於自己的繪本故事書，透過數位創作來分享您的故事和創意，讓更多人了解您的才華和創造力。

對初學者來說，要進入 AI 與資料科學的領域並不容易，除了程式基礎，還需要有數學與統計的相關知識，一般人往往在這兩個關卡中敗下陣來，透過親身實作，自主學習才能真正掌握 AI 與資料科學的學習精髓。

TensorFlow Lite for MCU正是專為邊緣裝置設計的TensorFlow模型預測框架，是TensorFlow的精簡版本，讓開發者可以在物聯網與嵌入式裝置中部署微型機器學習模型。 本課程將教授AI模型如何部署於微控制器，包含模型訓練、模型最佳化以及TensorFlow Lite框架的程式開發等。在實作上搭配Sparkfun edge board (ARM cortex M4)，說明如何以TensorFlow Lite 在微控制器上開發人工智慧專案。課程安排的三個專案實作，跨足AI在圖像、語音、感測訊號的三大應用領域，包含連續圖像輸入的人臉偵測、連續語音訊號輸入的語音識別、連續感測訊號輸入的姿態識別。在課程中也會特別解說MCU是如何處理這些讀入的連續輸入資料(包含圖像、語音、感測訊號)及模型輸出後的處理，才能讓AI系統更加穩健。 ✔搭配硬體，學習才有感 透過 SparkFun Edge 硬體裝置，實戰開發 TinyML 的AI應用。 ✔實戰三大AI專案，還提供程式源碼 進行微控制器上面的AI開發專案，包含人臉偵測、語音識別、姿態識別三大專案。 ✔老師傅才能讓你快速抓到開發的眉角 汲取業師的實務開發經驗，讓你少走冤枉路。縮短專案開發時程，就是省錢。 【學習目標】 1. 了解 Edge AI 的應用、限制與挑戰。 2. 了解 Tensorflow Lite for MCU 的軟體程式架構與開發流程。 3. 了解最佳化 ML 模型的方法：量化、剪枝、壓縮原理。 4. 了解 AI模型如何部署於微控制器，包含開發環境建立、模型訓練、模型最佳化等。 5. 了解 MCU該如何處理這些讀入的連續輸入資料(包含圖像、語音、感測訊號)及模型模型輸出後的處理等。 【章節架構】  Edge AI 與MCU起手式 1. 簡介MCU世界的邊緣運算 2. Edge AI(TinyML)的開發流程 3. SparkFun Edge Board硬體介紹 4. SparkFun Edge SDK架構說明 5. 建立編譯開發環境 6. 動手作 1) -建置第一個hello word專案 2) -LED 跑馬燈、按鍵讀取 3) -程式燒錄流程  Tensorflow Lite for MCU實作開發 1. AI於微控制器的開發流程說明 2. 優化: 模型量化、運算子優化 3. TF Lite FlatBuffer 格式 4. Tensorflow Lite for MCU程式框架說明 5. 專案實作 1) -揮動姿態識別(配合3軸加速器) 2) -偵測有無人臉(配合camera sensor) 3) -語音字詞識別(配合麥克風)

超過10種Lab實作駭客常用的工具和方法，進而知道如何保護網路、系統免受攻擊。課程內容由道德駭客實務入門到CEH認證說明，打好基礎並對考取CEH國際資安認證更有把握。

能夠掌握 AI 基本概念，並認識相關熱門詞彙的意義（如：Big Data ） 能夠理解 AI 的應用原則及限制，並初步判斷在產業中的切入點 能夠了解 AI 基本的運作原則，並運用於職場溝通、合作中 能夠利用課程所學，發現實務案例中，AI 導入企業的常見錯誤

這是一門有別於坊間的AI數位課程，不僅有清楚的觀念說明也有詳細的程式解說。教你Python程式並瞭解如何實際進行資料處理。 本課程以「程式打底」為目標，教授Python語言及以Numpy、Pandas、Matplotlib進行資料處理與分析。 學習目標 【Python與資料科學】 1. 能快速熟悉Python語言的核心與Python常用的資料結構 2. 學會運用資料科學常用套件-Numpy、pandas、matplotlib來處理、分析與圖表化資料 3. 機器學習的設計方法與術語-從迴歸(Regression)方程式認識機器學習的基本精神 4. 能不使用任何工具套件，以Python實作迴歸方程式 ※ 課程適用經濟部iPAS巨量資料分析師/機器學習工程師能力鑑定考試準備 章節架構 ►Python 簡介 ►變數與動態資料型別 ►運算式 ►序列資料結構- list, tuple, range ►流程控制 ►更多資料結構-set, frozenset, dict, byte, bytearray ►函數 ►變數命名空間 ►類別設計 ►例外處理 ►模組與套件 ►輸入輸出與檔案處理(txt,csv,JSON, pickle) ► 其他(https urlib、beautifulshop,…) ► 附錄: Anaconda Windows/Linux安裝與使用 ►conda 套件管理 ►conda 虛擬環境 ►ipython interpreter ►jupyter notebook ►資料矩陣運算使用Numpy ►資料匯入匯出使用Pandas ►繪圖與製表使用Matplotlib ►機器學習概念 ►最佳化演算法: Gradient Descent ►手刻Gradient Descent演算法 ►手刻線性迴歸 ►手刻線性迴歸作(矩陣版)

邀請到台灣首席資訊安全專家黃建笙(方丈老師)，來與大家分享如何備戰CEH考試。全名 Certified Ethical Hacker 道德駭客認證，這張證照的重點在道德、認證，對於許多公司的資安工程師都是必備的，標案需要、組織 KPI 要求、佐證自己擁有基本資安能力。

1. 學會運用程式來交易股票、期貨等金融商品 2. 學會 K 線實交易理論 3. 學會使用 Eleader 程式交易軟體 4. 學會撰寫 Eleader 交易策略程式 5. 學會評估、選擇與優化交易策略 6. 學會一鍵選強勢股 7. 判別多空趨勢 8. 學會設定自動交易

AI即未來！各大產業離不開機器學習，人工智慧如火如荼發展，整個產業勢必向智慧化靠攏， AI人才需求也倍數增長！iPAS產業人才能力鑑定是經濟部為充裕產業升級所需人才， 整合產官學研所建立的鑑定體制。有專業能力認證，更容易獲得企業優先面試/聘用及加薪之機會。艾鍗學院授課講師皆取得iPAS認證，章章精彩、片刻不冷場，帶給學員最實戰的應試指南，打穩機器學習工程師的基本功！ 學習目標 1. 帶你了解機器學習產業發展趨勢及應用方向 2. 養成資料特徵與資料預處理能力，並能運用探索式資料分析(EDA)，洞悉數據關聯性。 3. 教你機器學習和深度學習的專業術語與觀念，並能了解其背後的意義及數學意義。 4. 漸進式熟悉機器學習演算法與模型建立流程，後續模型訓練成效之驗證。 5. 從提供之iPAS樣題詳細解析中，了解更多觀念與實作技巧 章節架構 初級 Part 1. 機器學習觀念打底 Section A：資料處理分析與特徵選擇 1. 人工智慧與機器學習簡介 2. 機器學習如何進行學習 3. 資料與特徵 4. 機器學習建立模型的流程 5. 探索式資料分析(EDA)與資料預處理方法 6. 如何挑選好的特徵? Feature Selection v.s. Feature Extraction Section B：監督式機器學習演算法 1. 迴歸模型: 線性迴歸▼ iPAS ML linear regression Ridge v.s. Lasso 線性迴歸 評估迴歸模型的性能指標 2. 分類模型: Logistic Regression 演算法 KNN 演算法 決策樹演算法 SVM 演算法與數學原理 評估分類模型的性能指標 3. Ensemble Method Random Forest隨機森林 Adaboost Section C：非監督式機器學習演算法 1. 降維: PCA 演算法▼ iPAS ML The Algorithm of PCA c 2. Clustering: K-means 演算法 Hierarchical Method 演算法 3. 強化學習 強化學習的架構 Q-learning 演算法 Section D：深度學習 1. 深度學習技術簡介 2. 類神經網路運算模型原理 3. 深度學習建立模型的流程 4. 深度學習框架TensorFlow/Keras 程式架構說明 5. 其他網路結構簡介：RNN/LSTM、CNN Part 2. Python實作機器學習 1. 資料處理工具: Numpy、Pandas▼ iPAS ML Pandas 2. 視覺化工具: Matplotlib▼ iPAS ML Matplotlib c 3. 機器學習工具:Scikit-learn 4. 迴歸模型實作 y=f(x) 的函式預測 價格預測模型 5. 鳶尾花花卉分類與探討▼ iPAS ML iris 使用Logistic Regression 使用KNN 使用Decision Tree▼ iPAS ML Decision Tree 使用SVM▼ iPAS ML SVM 使用Random Forest 使用Adaboost 6.PCA 降維使用Scikit-learn▼ iPAS ML PCA降維使用Scikit learn 7.K-means分群使用Scikit-learn▼ K means分群使用Scikit 8.Hierarchical方法分群使用Scikit-learn▼ iPAS ML Hierarchical Scikit learn 9.強化學習-找寶藏地圖實作解析▼ iPAS ML Reinforcement learning iPAS ML Q learning value function Part 3. iPAS機器學習工程師範例試題詳解

課程由台灣科技大學資訊工程博士陳士杰，從資料庫系統設計概念、資料庫系統設計流程，一路由淺至深，2.8小時學會資料庫設計原理，一堂課帶你釐清所有資料庫建立的問題和易混淆的概念。課程中將公司內相關表單與人員需求，教您轉換成E-R Model，並透過每個小段落的測驗題，讓您好複習學習更紮實。

1. Python 寫程式原來很簡單！ 2. 利用程式來規劃人生的重大財務抉擇 3. 讓 Python 自動抓取全台近 1,000 種股票的股價 4. 用 Python 自動收集所有公司的財報 5. 學會製作製作 108 種技術面指標 6. 瞭解 6 個非常有效的財務指標 7. 能建構長期有效獲利的選股策略 8. 學習如何優化已有的策略 9. 懂得量化投資的概念，衡量風險的指標，有紀律的買賣標的 10. 實做免看盤、每天一個 click 的程式，獲得真正穩健的被動收入。策略使用期限：一輩子！