104學習精靈

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。

ITS Python 資訊專家國際認證與實戰應用，本課程內容完全對應 ITS Python 的考科範圍，深度分析並安排所有的流程順序，透過密集的訓練與有系統的學習，即使是初學者都能在極短的時間內獲得完整的精華，順利通過認證的考驗！

本課程是以財團法人中華民國電腦技能基金會（CSF）的「TQC+ 人工智慧-機器學習認證」為範疇，技能規範及試題命製，符合教育部課綱之規劃，共分為三大類別，循序漸進，由淺入深建立學員運用機器學習解決問題的基本概念。 學習機器學習，可以讓您初窺現代人工智慧技術由資料中學習建立模型，進行分類、預測以解決問題，逐步邁向人工智慧實用學習技術，提高洞察力、反應力。 這門課內容豐富，提供了各種機器學習模型，同學只要根據所面對問題（或是想要探索的資料集形式）選取適當的範例（模型）來改寫，就可以找到實際問題的解法，可以簡單入手人工智慧，解決實務問題。授課老師擁有超過 30 年的教學經驗，將帶領同學由零學起，掌握人工智慧-機器學習實務應用技術。

我們將利用一天的時間快速帶領你進入 ChatGPT 的世界，學習利用 Python 與 ChatGPT 互動並開發 LINE Bot 聊天機器人，最後為 LINE Bot 裝上一個擁有 ChatGPT 的大腦！精彩緊湊的課程，從頭到尾絕無冷場，讓你深入體驗一窺人工智慧所建構的未來世界。

課程進行流程 選擇開課時段，將於此時段，寄送課程&講義給您 寄送資訊中，包含討論區密碼，請輸入密碼加入教室，可在此提問與講師互動 您可以選擇舒適的位置與時間，觀看本堂課程

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