成為AI工程師必學的深度學習與 PyTorch 實作
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）
