104學習精靈

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)

NLP 深度學習馬拉松是一個結合自學、專家協助及社群討論的AI自學挑戰活動，目標是利用 100 天的時間讓學員掌握自然語言與機器學習/深度學習的關鍵知識點和實務技術應用。（本活動機器學習與深度學習分開販售，合計100天）

這堂課你將了解線性代數與矩陣、微積分、機率與隨機變數、統計觀念與假設檢定等多種數學與統計學的基本知識，帶領你穩固機器學習所需的基本概念，並搭配實作教學，讓你無痛銜接機器學習，打好數學與統計的基本功！

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)

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

AIOT 智慧物聯網學習馬拉松是一個結合自學、專家協助以及社群討論的 AI 自學挑戰活動，目標是希望學員每天至少花一小時，有系統的學習物聯網與機器學習的實作知識，並進行 AI 程式練習，進而更好理解和掌握AI智慧物聯網的基礎知識與程式實作能力。