104學習

獲得 NVIDIA 官方認證課程證書，帶你掌握全球 AI 新技能、提升 AI 職場競爭力。

本課程為輝達(NVIDIA)國際大廠官方授權獨家課程。

本課程為 NVIDIA 深度學習學院認證課程，由輝達官方認證專家－白熊老師 親自授課。課程強調應用導向與實作體驗，帶領學員掌握LLM原理，並透過NVIDIA提供的模擬環境進行開發。適合有Python基礎的初學者與實務導向的開發者。

一張 NVIDIA 官方認證，帶你成為全球 AI 開發先行者

您將能學到 課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具能夠自動抓取網路上豐富的金融資訊 專案實作教學，開發爬蟲程式抓取股市、匯率、利率、大盤等資訊 資料庫基礎教學，將抓下來的資訊儲存至資料庫與檔案當中，往後能夠有效的利用 資料視覺化教學，使用 Plotly套件繪製技術分析圖，包含K線和各技術指標 抄底工具程式實作，整合以上所學，透過成交量、技術指標、融資餘額資訊分析抄底時機 課程介紹 這堂 「零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用」課程，主要分為五個主題 + 一個HTML與CSS補充章節。 將從 Python 程式教學入門開始，搭配金融資訊相關的程式範例實作，接著學習如何使用SQL語法並有效抓取數據，並善用Pandas、Plotly視覺化套件，製作出K線、成交量、移動平均線、RSI 指標等圖表，最後進行抄底程式工具實作。 此外，有鑑於 Yahoo 更新網站後，整個 HTML 的結構完全不同，因此課程中特別新增了 Yahoo 股市爬蟲程式教材，並提供整堂課完整的程式碼範例，零基礎者也能輕易上手。 金融爬蟲流程簡介 課程中將學習到完整金融爬蟲方式，從分析網頁架構到儲存金融數據，最後資訊視覺化金融資訊。讓您在第一時間以最聰明便捷的途徑簡化投資歷程， 掌握投資先機，投報率即刻到手！ → 確認資料來源 (臺灣證券交易所)，分析網頁的架構，要抓的資料所在位置 → 透過爬蟲程式解析網頁內容，清理資料，從中抓取所需的數據 (Pandas) → 將整理的數據儲存至資料庫中 (SQL) → 未來就可以從資料庫中提取資料並繪製圖表 (Plotly) 200%解鎖項目 「講座：網路資源視覺化與Line Notify整合實作」 在這堂解鎖課程中，會實作讓程式能夠一覽股市資料的即時通知工具。將金融資訊爬蟲下來後，使用Plotly套件繪製成一張張簡潔的視覺化資訊圖表，並透過 LINE Notify來傳送給使用者。 400%解鎖項目 「講座：網路資源視覺化與Excel整合實作」 適合對象 零程式基礎，想踏入金融科技領域的人 對股票投資有經驗，想打造屬於自己可視覺化股票投資工具的投資人 對學習整合金融網路爬蟲、資料庫和資訊視覺化有興趣的工程師 教師介紹 Kadin Chung 鍾榮達 目前在公司負責系統分析與程式設計，同時也在做線上課程講師。 碩士畢業之後在外商系統整合服務公司上班多年，到自己設立軟體公司，第一個合作售出的系統是一套網路管理系統，可以幫助客戶配置，維護和測試數千台思科網路設備。 除此之外，Kadin在大型項目方面經驗豐富，例如馬拉松線上報名系統，車行租賃管理系統等。 在Kadin創業的過程中不斷地促使自己學習新的技能，並且知道什麼是「學習新技能」最有效的方法，他樂於分享一切所學的知識和實務經驗，也因為這份樂情，帶領 Kadin 來到 MasterTalks ，他將會透過高品質且有效率的方式分享他所學的一切技術和知識！ 課程大綱 一、Python 程式基礎 1. 程式開發環境建立 2. 認識變數和資料型態 3. 流程控制 4. 常用的容器型態 5. 函式、模組和套件 6. 檔案的讀取與寫入 7. 例外處理 8. try-except 類別與物件 二、Python 爬蟲程式應用 1. 認識網路爬蟲 2. 網路爬蟲相關技術 3. 認識 HTML 4. 認識 Chrome開發人員工具 5. BeautifulSoup 教學 1｜實作案例：Yahoo 股市爬蟲 6. BeautifulSoup 教學 2｜實作案例：Google 股市爬蟲 7. Selenium 教學 1｜實作案例：告牌匯率爬蟲 8. Selenium 教學 2｜實作案例：匯率走勢爬蟲 三、數據的儲存：SQL圖表 1. CSV檔案讀取與寫入｜銀行利率爬蟲 2. 資料庫基礎教學 1 3. 資料庫基礎教學 2｜股票清單爬蟲 四、數據處理、資料分析與視覺化 1. Pandas 基礎教學 1 2. Pandas 基礎教學 2｜股票日成交資訊 3. Plotly 基礎介紹 4. K線圖製作 5. 整合K線與成交量｜子圖的製作 6. 移動平均線圖製作 7. RSI 指標圖製作 五、抄底工具程式實作 1. 台灣證券交易所｜大盤指數爬蟲 2. 爬蟲抓取每日大盤【歷史資料】與資料庫整合實作 3. 爬蟲抓取每日大盤【成交資訊】與資料庫整合實作 4. 抄底工具：大盤K線與成交量圖製作 (含圖表週期轉換) 5. 抄底工具：大盤KD指標技術分析圖製作 6. 爬蟲抓取每日大盤【融資餘額】與資料庫整合實作 7. 抄底工具：大盤融資餘額圖製作 補充章節：HTML & CSS 基礎 1. HTML 基本介紹 2. 下載前端開發工具 3. HTML 結構 4. HTML 內容 5. HTML 圖片 6. HTML 超連結 7. 基本CSS介紹 8. 設定文字樣式 9. 設定顏色 10. 使用 Class 與 ID 11. CSS 區塊模型 12. 網頁布局 13. 美化網站 14. 定位方式 解鎖內容 講座1：LINE視覺化圖片即時通知 講座2：網路資源視覺化與Excel整合實作 講座3：Python爬蟲與PDF檔案下載整合實作 課前準備 一台能夠上網的電腦或筆電 課程中所使用到的軟體都是免費的，都會在課程中說明

成為AI工程師必學的深度學習與 PyTorch 實作 完課後，你將學會 Multilayer Perceptron （MLP, 多層感知器）：也稱為前饋神經網路，是深度學習中最基礎的模型，可用於處理結構化的資料，例如表格中的數值、類別等，並進行分類、回歸等任務。 Convolutional Neural Network （CNN，卷積神經網路）：用於對影像或音訊等二維和一維資料進行分析和處理，能夠有效地提取出其特徵，並進行影像分類、目標檢測等任務。 Recurrent Neural Network （RNN，遞迴神經網路）Family：包含RNN、Long Short Term Memory Network (LSTM，長短期記憶網路)：用於處理序列型資料，能夠有效地捕捉序列間的長期相依性，被廣泛應用於語音辨識、機器翻譯等自然語言處理領域。 Transformer：用於處理序列型的資料，透過學習來估計全部序列之間的的關聯性，能共有效的通盤考慮整段資料的特性，被廣泛用在自然語言領域，近年來也被導入影像相關AI模型。 Generative Adversarial Network （GAN，生成對抗網路）：是一種生成模型，能夠透過兩個神經網路之間的對抗訓練，從噪聲中生成出與真實資料相似的新資料，用於影像生成、音訊生成等任務。 課程成果 4-5 影像切割方法介紹（U-NET） 在實務上最常拿來使用就是影像的前景背景切割，也就是如果要做去背的動作，可以靠大量資料模型訓練後，讓模型學習到哪些是主要要切割出來的物體。 5-4 Transformer 我們簡單操作NLP相關的範例，利用網路上別人的開源資料進行英中翻譯的Transformer （簡易版）的PytTorch模型建立和模型訓練。 5-5 實作：股價預測 我們將進行股價資料爬蟲 （直接利用yfinance模組），然後採用LSTM利用過去的股價進行未來股價的預測。除了股價預測之外，只要資料都是時序資料都也可以進行相同的程式操作，包含庫存預測或是失業率預測等。 課程介紹 什麼是 PyTorch？ PyTorch是一個基於Torch函式上，針對Python所開發的機器學習庫，為深度學習的框架之一，主要應用於電腦視覺和自然語言處理。 PyTorch 的設計目標是提供一個簡單易用、靈活且高效的工具，深受在深度學習領域的工作者的喜愛。它最大的核心功能是提供自動微分，幫助開發人員可以更容易地定義和優化神經網絡模型。同時，PyTorch的動態計算圖表更貼近Python風格的編程，因此更易於開發和調試。你可以使用標準的Python語句進行調試，並且更容易理解和檢查中間結果。 另一個特點是會使用動態計算圖表。相較於其他框架 （TensorFlow），PyTorch的計算圖是在運行時就構建的，表示計算會在每一行程式碼都完成後執行，使得使用者可以更靈活地進行模型構建和調試。此外，PyTorch還支援多GPU平行加速，可以加快模型訓練的速度。 PyTorch與TensorFlow的差異 PyTorch和TensorFlow是當今兩個最受歡迎且廣泛使用的深度學習框架，它們有一些重要的差異： 社群生態系統：TensorFlow擁有更大的社群生態系統和更廣泛的應用案例支援。許多大型公司和研究機構使用TensorFlow進行深度學習研究和應用開發。然而，PyTorch近年來的快速發展也使其社群生態系統不斷擴大，並且在學術界和研究領域中獲得了廣泛的支持，並且在最新、State-of-the-art和開源的AI算法幾乎都以PyTorch撰寫。 開發和調試：由於PyTorch的動態圖和Python風格的編程，它通常被認為更容易於開發和調試。您可以使用標準的Python語句進行調試，並且更容易理解和檢查中間結果。 課程説明 本課程講師是擁有13年以上的AI產學經驗、並且任職上市公司人工智慧研發部副理的黃志勝老師，以業界需求的實務角度著眼，貼近初學者的心態著手，介紹完整的近代人工智慧，神經網路的模型學習技巧，例如參數初始和更新方式、梯度更新方式、損失函數等。以及網路架構的介紹，包含感知神經網路、卷積神經網路、和時序系列神經網路（RNN、LSTM、Transformer）等，並帶著學員學習PyTorch的操作，詳述近代人工智慧應用與深度學習的相關技術。 主要重點有： 深度學習與 PyTorch 基礎觀念：從深度學習的基礎觀念開始介紹，深度學習的演變以及使用 PyTorch 進行深度學習專案的開發。 類神經網路相關主題：探討損失函數、梯度下降法、參數影響等，並如何選擇優化器。 卷積神經網路（CNN）：利用 PyTorch 建立 CNN 網路，學習建構和訓練模型，進行物件偵測及影像偵測等實作。並完成三項實作練習： CNN影像分類 （貓狗分類） YOLO物件偵測 （人臉偵測） Ｕ-NET影像切割 （PASCAL VOC） 時序神經網路：遞迴神經網路（RNN）、長短記憶模型（LSTM）、GRU 網路和 Transformer 自注意力機制，並實際應用於以下兩項實作練習： 股價預測 英中文翻譯 課程適合誰 1. 想成為 AI 工程師者 2. 想了解深度學習 （Deep Learning）與訓練模型者 3. 想學習 PyTorch 操作、神經網路者 課程特色 1. 課程搭配卷積神經網路（CNN）與時序神經網路範例實作 2. 內容含市面少有的 Transformer : 自注意力 （Self-Attention） 教學 3. 老師擁有 13年學術上和業界的經驗,課程所教授的知識都是在 業界實際使用到的內容 課程大綱 一、深度學習與PyTorch基礎觀念 深度學習的演變 為什麼要使用 PyTorch：PyTorch 如何協助深度學習專案的開發 PyTorch 數值型態與基本運算 ONNX簡介 Pytorch dataloader 二、類神經網路 感知機神經網路 常用的 Activation Function （激勵函數, ACT） 透過 Activation Function 做到特徵非線性轉換 三、神經網路怎麼學習 損失函數 梯度下降法 倒傳遞學習法 參數常規化 參數初始方式 優化器（Optimizer）的選擇 四、卷積神經網路（CNN） 卷積神經網路常用的原件，例如: 卷積（Convolution） 最大池化（Max pooling） 全連結層（Fully connection） 激勵函數（Activation function） Softmax函數...等等 CNN經典模型介紹 : Alexnet、VGG、GoogleNet、Inceptionv2-v4、ResNet、DenseNet、MobileNet等等。 如何利用Pytorch自行建立CNN網路，以ResNet為例。 物件偵測方法介紹（YOLO） 影像切割方法介紹（U-NET） 資料增強（Data Augumentation） 實作:使用預模型做遷移學習、訓練自己的深度學習模型 CNN影像分類 （貓狗分類） YOLO物件偵測（人臉偵測） U-NET影像切割（PASCAL Visual Object Classes（PASCAL VOC）） 五、時序神經網路 遞迴神經網路（RNN） 長短期記憶模型（LSTM） GRU網路 Transformer:自注意力（Self-Attention） 實作：股價預測 實作:中英文翻譯 解鎖 Generative Adversarial Network （GAN）