聯繫我們

課程簡介

第一天 - 人工神經網路<\/h3>

簡介與ANN結構。<\/h3>
  • 生物神經元與人工神經元。<\/li>
  • ANN的模型。<\/li>
  • ANN中使用的激活函數。<\/li>
  • 典型的網路架構類別。<\/li><\/ul>

    數學基礎與學習機制。<\/h3>
    • 複習向量與矩陣代數。<\/li>
    • 狀態空間概念。<\/li>
    • 最佳化概念。<\/li>
    • 誤差糾正學習。<\/li>
    • 基於記憶的學習。<\/li>
    • 赫布學習。<\/li>
    • 競爭學習。<\/li><\/ul>

      單層感知器。<\/h3>
      • 感知器的結構與學習。<\/li>
      • 模式分類器 - 簡介與貝氏分類器。<\/li>
      • 感知器作為模式分類器。<\/li>
      • 感知器收斂。<\/li>
      • 感知器的局限性。<\/li><\/ul>

        前饋ANN。<\/h3>
        • 多層前饋網路的結構。<\/li>
        • 反向傳播演算法。<\/li>
        • 反向傳播 - 訓練與收斂。<\/li>
        • 利用反向傳播進行函數逼近。<\/li>
        • 反向傳播學習的實際與設計問題。<\/li><\/ul>

          徑向基函數網路。<\/h3>
          • 模式可分離性與插值。<\/li>
          • 正則化理論。<\/li>
          • 正則化與RBF網路。<\/li>
          • RBF網路的設計與訓練。<\/li>
          • RBF的逼近性質。<\/li><\/ul>

            競爭學習與自組織ANN。<\/h3>
            • 一般聚類程序。<\/li>
            • 學習向量量化（LVQ）。<\/li>
            • 競爭學習演算法與架構。<\/li>
            • 自組織特徵映射。<\/li>
            • 特徵映射的性質。<\/li><\/ul>

              模糊神經網路。<\/h3>
              • 神經模糊系統。<\/li>
              • 模糊集合與邏輯的背景。<\/li>
              • 模糊系統的設計。<\/li>
              • 模糊ANN的設計。<\/li><\/ul>

                應用<\/h3>
                • 將討論一些神經網路應用的例子、其優點與問題。<\/li><\/ul>

                  第二天 - 機器學習<\/h3>
                  • PAC學習框架
                    • 有限假設集的保證 – 一致情況<\/li>
                    • 有限假設集的保證 – 不一致情況<\/li>
                    • 一般性
                      • 確定性與隨機情境<\/li>
                      • 貝氏誤差雜訊<\/li>
                      • 估計與逼近誤差<\/li>
                      • 模型選擇<\/li><\/ul><\/li><\/ul><\/li>
                      • 拉德馬赫複雜度與VC維度<\/li>
                      • 偏差 - 變異權衡<\/li>
                      • 正則化<\/li>
                      • 過擬合<\/li>
                      • 驗證<\/li>
                      • 支援向量機<\/li>
                      • 克里金法（高斯過程回歸）<\/li>
                      • PCA與核PCA<\/li>
                      • 自組織映射（SOM）<\/li>
                      • 核誘導向量空間
                        • Mercer核與核誘導相似度度量<\/li><\/ul><\/li>
                        • 強化學習<\/li><\/ul>

                          第三天 - 深度學習<\/h3>

                          這將結合第一天和第二天的主題進行教學<\/h3>
                          • 邏輯與Softmax回歸<\/li>
                          • 稀疏自編碼器<\/li>
                          • 向量化、PCA與白化<\/li>
                          • 自學學習<\/li>
                          • 深度網路<\/li>
                          • 線性解碼器<\/li>
                          • 卷積與池化<\/li>
                          • 稀疏編碼<\/li>
                          • 獨立成分分析<\/li>
                          • 典型相關分析<\/li>
                          • 示範與應用<\/li><\/ul>

最低要求

良好的數學基礎。<\/p>

良好的基礎統計學知識。<\/p>

不要求但建議具備基本程式設計技能。<\/p>

 21 小時

人數


每位參與者的報價

公開培訓課程需要5名以上參與者。

客戶評論 (2)

從第一性原理出發，專注於實踐，並在同一天內應用案例分析

Maggie Webb - Department of Jobs, Regions, and Precincts
課程 - Artificial Neural Networks, Machine Learning, Deep Thinking

機器翻譯

It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.

Jonathan Blease
課程 - Artificial Neural Networks, Machine Learning, Deep Thinking

機器翻譯

即將到來的課程

Artificial Neural Networks, Machine Learning, Deep Thinking

2026-10-22 09:30
21 時間：
Glenealy Tower
HK$ 37650 (线上)
HK$ 89400 (課堂)

Artificial Neural Networks, Machine Learning, Deep Thinking

2026-11-05 09:30
21 時間：
Glenealy Tower
HK$ 37650 (线上)
HK$ 89400 (課堂)

Artificial Neural Networks, Machine Learning, Deep Thinking

2026-11-19 09:30
21 時間：
Glenealy Tower
HK$ 37650 (线上)
HK$ 89400 (課堂)

Artificial Neural Networks, Machine Learning, Deep Thinking

2026-12-03 09:30
21 時間：
Glenealy Tower
HK$ 37650 (线上)
HK$ 89400 (課堂)

相關課程

Artificial Intelligence in Automotive

 14 小時

本課程涵蓋Automotive行業的AI（強調Machine Learning和Deep Learning ）。它有助於確定哪種技術（可能）在汽車的多種情況下使用：從簡單的自動化，圖像識別到自主決策。

更多...

Artificial Intelligence Overview

 7 小時

探索人工智能的基礎知識，揭示了智能技術如何重塑企業運營中的數字戰略、自動化和決策。涵蓋人工智能歷史、問題解決框架、知識表示、不確定性推理和機器學習範式的核心概念，同時涉及溝通技能、感知和自主行動。指導高管和架構師評估人工智能驅動的轉型機會，評估新興技術趨勢，並整合實用的智能解決方案，以加速業務敏捷性。

更多...

從零開始用Python實現應用人工智能

 28 小時

從零開始用Python實現應用人工智能爲程序員和數據分析師提供了使用Python從頭構建機器學習解決方案的基礎技術。涵蓋監督學習分類和迴歸、無監督學習聚類和異常檢測以及高級神經網絡架構的核心原理。探討了使用scikit-learn、Apache Spark MLlib和Jupyter筆記本進行實踐AI開發的成熟方法。幫助專業人員實現實用的ML模型，評估算法侷限性，並完成解決實際問題的應用項目。

更多...

Pattern Recognition

 21 小時

這門由講師指導的香港（線上或線下）培訓課程，介紹了模式識別和機器學習的領域，並涵蓋了統計學、計算機科學、信號處理、計算機視覺、數據挖掘和生物信息學中的實際應用。

通過本培訓，參與者將能夠：

  • 應用核心統計方法於模式識別。
  • 使用神經網絡和核方法等關鍵模型進行數據分析。
  • 實施高級技術以解決複雜問題。
  • 通過結合不同模型來提高預測準確性。
更多...

深度學習強化學習與Python

 21 小時

深度強化學習（DRL）結合了強化學習原理與深度學習架構，使智能體能夠通過與環境的交互進行決策。它支撐了許多現代人工智能的進步，如自動駕駛汽車、機器人控制、算法交易和自適應推薦系統。DRL允許人工智能體通過學習策略、優化策略，並基於試錯法使用獎勵機制進行自主決策。

本次由講師主導的培訓（線上或線下）面向中級開發者和數據科學家，旨在幫助他們學習和應用深度強化學習技術，構建能夠在複雜環境中進行自主決策的智能體。

培訓結束後，參與者將能夠：

  • 理解強化學習的理論基礎和數學原理。
  • 實現關鍵強化學習算法，包括Q學習、策略梯度和Actor-Critic方法。
  • 使用TensorFlow或PyTorch構建和訓練深度強化學習智能體。
  • 將DRL應用於遊戲、機器人和決策優化等實際場景。
  • 使用現代工具進行故障排除、可視化和優化訓練性能。

課程形式

  • 互動講座與引導討論。
  • 動手練習與實操實現。
  • 即時編碼演示與基於項目的應用。

課程定製選項

  • 如需定製本課程（例如使用PyTorch替代TensorFlow），請聯繫我們安排。
更多...

Understanding Deep Neural Networks

 35 小時
This 35-hour course in 香港 covers deep neural network fundamentals, including CNNs, RNNs, and generative models like GANs. Participants gain hands-on experience with Theano and TensorFlow, learning to build, train, and deploy production-grade deep learning models for real-world applications.
更多...

深度學習中的可解釋性：揭祕黑箱模型

 21 小時

這種由講師指導的 香港 現場現場培訓（在線或現場）面向希望探索深度學習模型的先進 XAI 技術的高級專業人員，重點是構建可解釋的 AI 系統。

在本次培訓結束時，參與者將能夠：

  • 瞭解深度學習中可解釋性的挑戰。
  • 為神經網路實施高級 XAI 技術。
  • 解釋深度學習模型做出的決策。
  • 評估性能和透明度之間的權衡。
更多...

課程分類

神经网络
神经网络