聯繫我們

課程簡介

1. AI工程簡介

  • 什麼是AI工程?
  • AI、機器學習與深度學習的區別
  • AI工程的開發生命週期
  • AI在各行業中的應用
  • AI工程師的職責

2. 人工智能基礎

  • 核心概念與術語
  • 監督學習、無監督學習與強化學習
  • 神經網絡與深度學習基礎
  • 生成式AI與基礎模型概述
  • AI開發生態系統及框架

3. AI工程中的Python

  • AI必備Python庫
  • NumPy、Pandas和Matplotlib
  • 數據操作與可視化
  • Jupyter Notebooks的使用
  • 編寫可複用的AI代碼

4. AI的數據準備

  • 數據集收集與理解
  • 數據清洗與預處理
  • 特徵工程
  • 特徵縮放與歸一化
  • 數據集劃分(訓練集、驗證集、測試集)
  • 處理缺失值與異常值

5. 機器學習基礎

  • 迴歸算法
  • 分類算法
  • 聚類技術
  • 模型訓練工作流
  • 模型評估指標
  • 防止過擬合與欠擬合

6. 使用TensorFlow和PyTorch構建AI模型

  • TensorFlow簡介
  • PyTorch簡介
  • 構建神經網絡
  • 模型訓練與驗證
  • 保存與加載模型
  • 對比兩大框架

7. 自然語言處理(NLP)基礎

  • 文本預處理
  • 詞嵌入(Word Embeddings)
  • 文本分類
  • 情感分析
  • Transformer模型簡介
  • NLP實際應用案例

8. AI在軟件開發中的應用

  • AI集成至現有應用
  • 通過API調用AI服務
  • 開發AI驅動的應用程序
  • AI輔助軟件開發工具
  • 測試AI賦能應用的方法

9. AI工程最佳實踐

  • 項目組織結構
  • Git版本控制
  • 實驗追蹤
  • 模型版本管理
  • 文檔規範
  • AI項目的可復現性

10. AI模型部署

  • 模型序列化
  • 構建推理服務
  • AI模型的REST API
  • Docker在AI部署中的應用簡介
  • 已部署模型的監控
  • 模型維護與更新

11. AI數據工程

  • 數據管道(Data Pipelines)
  • ETL流程
  • 結構化與非結構化數據管理
  • 數據存儲方案
  • 數據質量管理
  • 構建生產就緒型數據集

12. 負責任與合乎倫理的AI

  • AI偏見與公平性
  • 可解釋AI(XAI)
  • 隱私與數據保護
  • AI安全考量
  • 負責任地開發AI
  • 法規與治理合規要求

13. AI項目管理

  • AI項目生命週期
  • AI項目的敏捷方法論
  • 技術與業務團隊的協作
  • AI項目估算
  • 風險管理
  • 衡量項目成功指標

14. AI工程實戰工坊與未來趨勢

  • 搭建完整的AI開發工作流
  • 構建端到端的機器學習項目
  • 使用TensorFlow或PyTorch訓練及評估模型
  • 部署簡單的AI應用程序
  • AI工程當前趨勢
  • 生成式AI與大型語言模型(LLMs)
  • MLOps與AI自動化
  • 職業發展路徑與持續學習
  • 總結、答疑及後續步驟

最低要求

  • 具備基礎編程概念知識
  • 擁有Python編程經驗
  • 熟悉基本統計與線性代數

目標學員

  • AI工程師
  • 軟件開發者
  • 數據分析師
 14 小時

人數


每位參與者的報價

客戶評論 (2)

即將到來的課程

課程分類