104學習精靈

「整天馬拉松會議心好累，還要加班做會議紀錄...」 學會運用 Gen AI 工具，處理那些枯燥且耗時的重複性工作， 把你寶貴的時間投注在創意和策略性的任務！ 十分鐘跟著 TibaMe 學習用「GAI 提高效率和生產力」！

「現在大家都在用AI，我是不是會被淘汰！」 「什麼是生成式AI？LLM大語言模型又是什麼？」 如果這些也是你的問題，如果你想學 AI 卻不知怎麼開始， 跟著TibaMe 十分鐘學習「精準GAI指令，提升職場競爭力」！

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！

R語言是開源的統計程式語言，常用於開發統計、資料分析軟體系統，課程中我們將從R/R-Studio入門，從統計分析、資料探勘與機器學習的原理與技巧，讓學員有能力進行相關的資料分析技術與資料視覺化整合應用。本門課適合想瞭解R語言，作為進入大數據分析基礎，或進行量化研究、進階資料視覺化。

2024 Google 數位人才探索計畫針對不同背景的台灣人才，提供免費的數位技能培訓，除了包含數位行銷及雲端工程兩大領域，今年更特別新增 AI 應用及開發課程。透過完整學習路徑規劃，無論你是學生或考慮轉換跑道的在職者，都能在短時間內具備相關知識！ 現在就加入 Google 數位人才探索計畫，跟上 AI 趨勢、鞏固數位能力吧！ 計畫亮點： ★因應趨勢增設AI課程，全方位強化職能! ★取得Google結書，提升職場競爭力! ★完整學習路徑規劃，輕鬆學習無負擔! 學程簡介： 完成學程，即可獲得相應的數位人才探索計畫結業證書，增加職涯無限可能！ 【Google Cloud 學程】Cloud Study Jam season 5 走在數位時代的尖端，越來越多事物都僅存於雲端、網路上，系統串接、訊息流通的優化與解決方案成為了不可或缺的硬實力。 今年更結合最新生成式Al開發內容，是你不容錯過的紮實技術課程! 1. 線上自學課程 Google Cloud Computing Foundations 課程 l Cloud Computing Fundamentals l Infrastructure in Google Cloud l Networking & Security in Google Cloud l Data, ML, and AI in Google Cloud 生成式AI開發者入門課程 l Introduction to Generative Al l Introduction to Large Language Models l Introduction to Responsible Al l Introduction to Generative AI Studio l Introduction to Image Generation l Generative AI Explorer - Vertex Al l Integrating Applications with Gemini 1.0 Pro on Google Cloud l 使用PaLM進行提示設計 l 使用Model Garden探索及評估模型 2. 總整課程 l Google Cloud 總整課程

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