人工智慧（AI）與機器學習基礎培訓

應用機器學習簡介

• 統計學習與機器學習
• 迭代與評估
• 偏誤-變異權衡
• 監督式學習與非監督式學習
• 機器學習解決的問題
• 訓練驗證測試 – 避免過度擬合的機器學習工作流程
• 機器學習工作流程
• 機器學習演算法
• 選擇適合問題的演算法

演算法評估

• 評估數值預測
  • 準確度指標：ME、MSE、RMSE、MAPE
  • 參數與預測穩定性
• 評估分類演算法
  • 準確度及其問題
  • 混淆矩陣
  • 不平衡類別問題
• 視覺化模型效能
  • 利潤曲線
  • ROC 曲線
  • 提升曲線
• 模型選擇
• 模型調整 – 網格搜尋策略

建模數據準備

• 數據匯入與儲存
• 了解數據 – 基本探索
• 使用 pandas 程式庫進行數據操作
• 數據轉換 – 數據整理
• 探索性分析
• 缺失觀測值 – 偵測與解決方案
• 異常值 – 偵測與策略
• 標準化、正規化、二值化
• 質性數據重新編碼

用於異常值偵測的機器學習演算法

• 監督式演算法
  • KNN
  • 整合梯度提升
  • SVM
• 非監督式演算法
  • 基於距離的方法
  • 基於密度的方法
  • 機率方法
  • 基於模型的方法

了解深度學習

• 深度學習基本概念概述
• 區分機器學習與深度學習
• 深度學習應用概述

神經網路概述

• 什麼是神經網路
• 神經網路與回歸模型
• 理解數學基礎與學習機制
• 建構人工神經網路
• 理解神經節點與連接
• 使用神經元、層、輸入與輸出數據
• 理解單層感知器
• 監督式與非監督式學習的差異
• 學習前饋與回饋神經網路
• 理解前向傳播與反向傳播

使用 Keras 建立簡單深度學習模型

• 建立 Keras 模型
• 了解你的數據
• 指定你的深度學習模型
• 編譯你的模型
• 擬合你的模型
• 處理你的分類數據
• 使用分類模型
• 使用你的模型

使用 TensorFlow 進行深度學習

• 準備數據
  • 下載數據
  • 準備訓練數據
  • 準備測試數據
  • 縮放輸入
  • 使用佔位符與變數
• 指定網路架構
• 使用成本函數
• 使用優化器
• 使用初始化器
• 擬合神經網路
• 建立圖形
  • 推論
  • 損失
  • 訓練
• 訓練模型
  • 圖形
  • 會話
  • 訓練迴圈
• 評估模型
  • 建立評估圖形
  • 使用評估輸出進行評估
• 大規模訓練模型
• 使用 TensorBoard 視覺化與評估模型

深度學習在異常偵測中的應用

• 自編碼器
  • 編碼器-解碼器架構
  • 重建損失
• 變分自編碼器
  • 變分推論
• 生成對抗網路
  • 生成器 – 判別器架構
  • 使用 GAN 進行異常偵測的方法

整合框架

• 結合不同方法的結果
• 自助聚合
• 平均異常值分數