hong-kong現場機器學習培訓

這種由講師指導的 hong-kong 現場培訓（在線或現場）面向希望瞭解預訓練模型概念並學習如何應用它們來解決實際問題而無需從頭開始構建模型的初級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解預訓練模型的概念和優勢。
• 探索各種預先訓練的模型架構及其使用案例。
• 針對特定任務微調預先訓練的模型。
• 在簡單的機器學習項目中實施預訓練模型。

這種以講師為主導的hong-kong（在線或現場）現場培訓面向具有不同專業水平的參與者，他們希望利用 Google 的 AutoML 平臺為各種應用程式構建定製的聊天機器人。

在培訓結束時，參與者將能夠：

• 瞭解聊天機器人開發的基礎知識。
• 流覽 Google 雲平臺並訪問 AutoML。
• 為訓練聊天機器人模型準備數據。
• 使用 AutoML 訓練和評估自定義聊天機器人模型。
• 將聊天機器人部署並整合到各種平台和管道中。
• 隨時間推移監控和優化聊天機器人性能。

本次由講師指導的線下或線上培訓，面向希望優化AI模型以在邊緣設備上部署的中級AI開發者、機器學習工程師和系統架構師。

在培訓結束時，參與者將能夠：

• 瞭解在邊緣設備上部署AI模型的挑戰和需求。
• 應用模型壓縮技術，減少AI模型的規模和複雜性。
• 利用量化方法，提升模型在邊緣硬件上的效率。
• 實施剪枝和其他優化技術，提升模型性能。
• 在各種邊緣設備上部署優化後的AI模型。

本次由講師指導的線下或線上培訓，面向中級開發者、數據科學家和技術愛好者，旨在幫助他們掌握在各種應用中在邊緣設備上部署AI模型的實用技能。

培訓結束後，參與者將能夠：

• 理解Edge AI的原理及其優勢。
• 設置和配置邊緣計算環境。
• 開發、訓練和優化用於邊緣部署的AI模型。
• 在邊緣設備上實現實用的AI解決方案。
• 評估並改進邊緣部署模型的性能。
• 解決Edge AI應用中的倫理和安全問題。

本課程爲講師引導的培訓，在hong-kong（線上或線下）進行，面向具有中高級經驗的AI工程師和數據科學家，旨在通過現代MLOps實踐，提升DeepSeek模型的性能，減少延遲，並高效部署AI解決方案。

培訓結束後，學員將能夠：

• 優化DeepSeek模型，提升效率、準確性和可擴展性。
• 實施MLOps和模型版本控制的最佳實踐。
• 在雲端和本地基礎設施上部署DeepSeek模型。
• 有效監控、維護和擴展AI解決方案。

MLOps on Kubernetes 是一個框架，用於通過容器化流水線和GitOps工作流自動化機器學習的訓練、驗證、打包和部署。

本課程由講師指導，提供線上或線下培訓，面向希望構建自動化、可擴展的MLOps流水線的中級從業者。

完成本培訓後，學員將能夠：

• 設計端到端的機器學習CI/CD流水線。
• 實現用於模型部署和版本控制的GitOps工作流。
• 自動化機器學習模型的訓練、測試和打包。
• 集成監控、告警和回滾策略。

課程形式

• 講師引導的演講和技術深入探討。
• 實踐練習，構建真實的CI/CD工作流。
• 即時實驗室練習，部署機器學習工作負載到Kubernetes。

課程定製選項

• 組織可以請求與內部MLOps工具和基礎設施相匹配的定製內容。

Kubeflow 是一個開源平臺，旨在簡化在 Kubernetes 上構建、訓練和部署機器學習工作負載的過程。

本課程爲講師指導的培訓（線上或線下），面向希望使用 Kubeflow 構建可靠機器學習工作流的初級到中級專業人士。

完成本培訓後，學員將掌握以下技能：

• 熟悉 Kubeflow 生態系統及其核心組件。
• 使用 Kubeflow Pipelines 構建可重複的工作流。
• 在 Kubernetes 上運行可擴展的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程形式

• 引導式演示與協作討論。
• 使用真實 Kubeflow 組件的實踐操作。
• 構建端到端機器學習工作流的實際練習。

課程定製選項

• 可根據團隊的技術棧和項目需求定製本培訓內容。

TinyML是在資源受限的邊緣設備上部署優化機器學習模型的實踐。

本次由講師主導的培訓（線上或線下）面向希望設計、優化和部署完整TinyML管道的高級技術專業人員。

通過本次培訓，參與者將學習如何：

• 收集、準備和管理TinyML應用的數據集。
• 爲低功耗微控制器訓練和優化模型。
• 將模型轉換爲適合邊緣設備的輕量級格式。
• 在真實硬件環境中部署、測試和監控TinyML應用。

課程形式

• 講師指導的講座和技術討論。
• 實踐實驗室和迭代實驗。
• 在基於微控制器的平臺上進行動手部署。

課程定製選項

• 如需定製特定工具鏈、硬件板或內部工作流程的培訓，請聯繫我們安排。

本課程爲講師指導的線下或線上培訓，面向中級開發者、數據科學家和AI從業者，旨在幫助他們利用TensorFlow Lite開發Edge AI應用。

通過本培訓，學員將能夠：

• 理解TensorFlow Lite的基礎知識及其在Edge AI中的作用。
• 使用TensorFlow Lite開發和優化AI模型。
• 在各種邊緣設備上部署TensorFlow Lite模型。
• 掌握模型轉換和優化的工具與技術。
• 使用TensorFlow Lite實現實際的Edge AI應用。

本課程爲講師指導的培訓，在hong-kong（線上或線下）進行，面向希望掌握自主系統背後技術的高級專業人員。

在本培訓結束時，參與者將能夠：

• 設計和實現用於自主決策的AI模型。
• 開發用於自主導航和避障的控制算法。
• 確保AI驅動的自主系統的安全性和可靠性。
• 將自主系統與現有的機器人和AI框架集成。

本次由講師指導的線下或線上培訓面向希望深入瞭解計算機視覺並探索TensorFlow在Google Colab上開發複雜視覺模型能力的高級專業人員。

培訓結束後，參與者將能夠：

• 使用TensorFlow構建和訓練卷積神經網絡（CNN）。
• 利用Google Colab進行可擴展且高效的基於雲的模型開發。
• 爲計算機視覺任務實施圖像預處理技術。
• 部署計算機視覺模型以用於實際應用。
• 使用遷移學習提升CNN模型的性能。
• 可視化並解釋圖像分類模型的結果。

TinyML是一種在低功耗、資源受限的邊緣網絡設備上部署機器學習模型的方法。

本課程爲講師指導的培訓（線上或線下），面向希望保護TinyML管道並在邊緣AI應用中實施隱私保護技術的高級專業人員。

課程結束後，學員將能夠：

• 識別設備端TinyML推理中特有的安全風險。
• 爲邊緣AI部署實施隱私保護機制。
• 強化TinyML模型和嵌入式系統，抵禦對抗性威脅。
• 在受限環境中應用安全數據處理的最佳實踐。

課程形式

• 專家主導的討論支持的互動講座。
• 強調真實威脅場景的實踐練習。
• 使用嵌入式安全和TinyML工具進行動手實踐。

課程定製選項

• 組織可以請求定製版本的培訓，以滿足其特定的安全和合規需求。

本次由講師主導的培訓在hong-kong（線上或線下）面向希望提升機器學習模型知識、改進超參數調優技能，並學習如何使用Google Colab有效部署模型的高級專業人士。

培訓結束後，參與者將能夠：

• 使用Scikit-learn和TensorFlow等流行框架實現高級機器學習模型。
• 通過超參數調優優化模型性能。
• 使用Google Colab在實際應用中部署機器學習模型。
• 在Google Colab中協作和管理大規模機器學習項目。

本次由講師指導的培訓在hong-kong（線上或線下）進行，面向中級專業人員，旨在應用AI技術優化半導體制造中的良率管理。

培訓結束後，學員將能夠：

• 分析生產數據，識別影響良率的因素。
• 實施AI算法，優化良率管理流程。
• 優化生產參數，減少缺陷，提高良率。
• 將AI驅動的良率管理集成到現有生產工作流程中。

本次由講師指導的線下或線上培訓，面向中級水平的商業和AI專業人士，旨在通過實際案例和基於Python的工具，幫助他們將機器學習應用於商業、預測和AI驅動系統。

培訓結束後，參與者將能夠：

• 理解機器學習如何融入AI和商業戰略。
• 將監督學習和無監督學習技術應用於結構化的商業問題。
• 對數據進行預處理和轉換以用於建模。
• 使用神經網絡進行分類和預測任務。
• 使用統計和基於機器學習的方法進行銷售預測。
• 實施聚類和關聯規則挖掘，用於客戶細分和模式發現。

本次由講師主導的培訓在hong-kong（線上或線下）面向中級專業人士，旨在幫助他們應用AI驅動的預測性維護技術，以提高生產效率並減少意外設備故障。

培訓結束後，參與者將能夠：

• 在半導體制造中實施AI模型以預測設備故障。
• 分析維護數據，識別潛在問題的模式和趨勢。
• 將AI驅動的預測性維護集成到現有的製造工作流程中。
• 通過主動設備管理減少停機時間和維護成本。

本課程爲講師指導的培訓（線上或線下），面向希望將尖端AI技術應用於半導體設計自動化的高級專業人員，旨在提高芯片設計和驗證的效率、準確性和創新性。

在本培訓結束時，參與者將能夠：

• 應用高級AI技術優化半導體設計流程。
• 將機器學習模型集成到EDA工具中，以增強設計驗證。
• 爲芯片製造中的複雜設計挑戰開發AI驅動解決方案。
• 利用神經網絡提高設計自動化的準確性和速度。

本課程為講師指導的hong-kong（線上或線下）培訓，旨在幫助中級數據科學家和開發人員理解並應用深度學習技術，使用Google Colab環境。

培訓結束後，參與者將能夠：

• 設置並導航Google Colab，用於深度學習項目。
• 理解神經網絡的基本原理。
• 使用TensorFlow實現深度學習模型。
• 訓練和評估深度學習模型。
• 利用TensorFlow的高級功能進行深度學習。

本課程爲講師指導的培訓，在hong-kong（線上或線下）進行，面向希望瞭解並應用AI技術來優化半導體制造流程的中級專業人士。

培訓結束後，學員將能夠：

• 瞭解AI在芯片製造流程優化中的方法。
• 實施AI模型以提高良率並減少缺陷。
• 分析流程數據以識別關鍵優化參數。
• 應用機器學習技術來微調半導體制造流程。

本次由講師指導的培訓（線上或線下）面向中級參與者，旨在幫助他們使用Apache Airflow自動化和管理機器學習工作流，包括模型訓練、驗證和部署。

培訓結束後，參與者將能夠：

• 設置Apache Airflow以進行機器學習工作流編排。
• 自動化數據預處理、模型訓練和驗證任務。
• 將Airflow與機器學習框架和工具集成。
• 使用自動化管道部署機器學習模型。
• 監控和優化生產中的機器學習工作流。

本次由講師指導的培訓在hong-kong（線上或線下）進行，面向中級數據科學家和開發者，旨在幫助他們在Google Colab環境中高效應用機器學習算法。

培訓結束後，參與者將能夠：

• 爲機器學習項目設置並導航Google Colab。
• 理解並應用各種機器學習算法。
• 使用Scikit-learn等庫進行數據分析和預測。
• 實現監督學習和無監督學習模型。
• 有效優化和評估機器學習模型。

TinyML是將機器學習模型部署在資源高度受限的硬件上的實踐。

本課程爲講師主導的培訓（線上或線下），面向希望優化TinyML模型以在嵌入式設備上實現低延遲、內存高效部署的高級從業者。

完成本培訓後，學員將能夠：

• 應用量化、剪枝和壓縮技術，在不犧牲準確性的情況下減小模型大小。
• 對TinyML模型進行基準測試，評估延遲、內存消耗和能效。
• 在微控制器和邊緣設備上實現優化的推理管道。
• 評估性能、準確性和硬件約束之間的權衡。

課程形式

• 講師主導的演示，輔以技術示範。
• 實踐優化練習和性能對比測試。
• 在受控實驗室環境中動手實現TinyML管道。

課程定製選項

• 如需根據特定硬件平臺或內部工作流程定製培訓，請聯繫我們以定製課程內容。

這種由講師指導的 hong-kong 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。

本次由講師指導的線下或線上培訓，旨在幫助初學者理解並應用人工智能技術於半導體制造行業。

培訓結束後，學員將能夠：

• 理解人工智能的基本原理及其在半導體制造中的應用。
• 識別半導體制造中可有效應用人工智能的領域。
• 利用人工智能工具和技術提升生產效率與質量控制。
• 實施基本的人工智能模型以優化製造流程。

Docker是一個容器化平臺，用於爲ML系統構建可重複、可移植和可擴展的環境。

本課程爲講師指導的培訓（線上或線下），面向希望使用Docker容器化並操作完整ML管道的中級到高級技術專業人員。

培訓結束後，學員將能夠：

• 容器化ML訓練、驗證和推理工作負載。
• 使用Docker和支持工具設計和編排端到端ML管道。
• 爲ML組件實現版本控制、可重複性和CI/CD。
• 在容器化環境中部署、監控和擴展ML服務。

課程形式

• 互動講座，輔以實際演示。
• 專注於構建真實ML管道組件的實踐練習。
• 端到端容器化工作流程的即時實驗。

課程定製選項

• 如需根據特定ML基礎設施需求定製培訓，請聯繫我們討論選項。

本課程爲講師指導的線下或線上培訓，面向希望使用ML.NET機器學習模型爲企業應用自動生成數據分析預測的數據科學家和開發人員。

培訓結束後，學員將能夠：

• 安裝ML.NET並將其集成到應用開發環境中。
• 理解ML.NET工具和算法背後的機器學習原理。
• 構建並訓練機器學習模型，智能地使用提供的數據進行預測。
• 使用ML.NET指標評估機器學習模型的性能。
• 基於ML.NET框架優化現有機器學習模型的準確性。
• 將ML.NET的機器學習概念應用於其他數據科學應用。

本課程爲講師主導的hong-kong（線上或線下）培訓，面向中級數據專業人士，旨在幫助他們將機器學習技術應用於數據驅動的業務問題，包括銷售預測和使用神經網絡的預測建模。

培訓結束後，學員將能夠：

• 理解機器學習的核心概念和類型。
• 應用分類、迴歸、聚類和關聯分析的關鍵算法。
• 使用Python進行探索性數據分析和數據準備。
• 使用神經網絡進行非線性建模任務。
• 實施預測分析，包括銷售數據的業務預測。
• 使用可視化和統計技術評估和優化模型性能。

這種由講師指導的 hong-kong 現場培訓（在線或現場）面向希望擴展深度學習以生成文本到圖像的知識和技能的中高級數據科學家、機器學習工程師、深度學習研究人員和計算機視覺專家。

在本次培訓結束時，參與者將能夠：

• 了解用於文字到圖像生成的高級深度學習架構和技術。
• 實施複雜模型和優化，以實現高品質的圖像合成。
• 優化大型數據集和複雜模型的性能和可擴充性。
• 優化超參數以獲得更好的模型性能和泛化。
• 與其他深度學習框架和工具整合 Stable Diffusion

本次由講師指導的線下或線上培訓，面向中級到高級的網絡安全專業人士，旨在提升他們在AI驅動的威脅檢測和事件響應方面的技能。

培訓結束後，參與者將能夠：

• 實施高級AI算法，用於即時威脅檢測。
• 針對特定網絡安全挑戰定製AI模型。
• 開發威脅響應的自動化工作流程。
• 保護AI驅動的安全工具，抵禦對抗性攻擊。

本次由講師指導的培訓（線上或線下）面向中級嵌入式系統工程師和AI開發者，旨在幫助他們使用TensorFlow Lite和Edge Impulse在微控制器上部署機器學習模型。

培訓結束後，參與者將能夠：

• 理解TinyML的基礎知識及其在邊緣AI應用中的優勢。
• 爲TinyML項目設置開發環境。
• 在低功耗微控制器上訓練、優化和部署AI模型。
• 使用TensorFlow Lite和Edge Impulse實現實際TinyML應用。
• 優化AI模型以提升能效並滿足內存限制。

本課程爲講師主導的培訓，在hong-kong（線上或線下）進行，面向希望學習如何利用AI提升威脅檢測和響應能力的初級網絡安全專業人士。

培訓結束後，參與者將能夠：

• 瞭解AI在網絡安全中的應用。
• 實施AI算法進行威脅檢測。
• 使用AI工具自動化事件響應。
• 將AI集成到現有的網絡安全基礎設施中。

本課程爲講師指導的培訓（線上或線下），面向希望瞭解AlphaFold工作原理並在實驗研究中使用AlphaFold模型作爲指導的生物學家。

培訓結束後，學員將能夠：

• 理解AlphaFold的基本原理。
• 學習AlphaFold的工作原理。
• 學習如何解讀AlphaFold的預測結果。

此講師指導的 hong-kong 現場培訓（在線或現場）面向 希望學習如何使用 RapidMiner 估計和預測值並利用分析工具進行時間序列預測的中級數據分析師。

在本次培訓結束時，參與者將能夠：

• 學習應用 CRISP-DM 方法，選擇合適的機器學習演算法，並增強模型構建和性能。
• 使用 RapidMiner 估計和預測值，並利用分析工具進行時間序列預測。

本次由講師主導的培訓（可在線或線下進行）面向數據科學家、機器學習工程師和計算機視覺研究人員，旨在幫助他們利用Stable Diffusion爲各種用例生成高質量圖像。

培訓結束後，參與者將能夠：

• 理解Stable Diffusion的原理及其在圖像生成中的應用。
• 構建和訓練Stable Diffusion模型，用於圖像生成任務。
• 將Stable Diffusion應用於各種圖像生成場景，如修復、擴展和圖像到圖像翻譯。
• 優化Stable Diffusion模型的性能和穩定性。

本次由講師指導的培訓在hong-kong（線上或線下）面向希望瞭解TinyML基礎知識、探索其應用並在微控制器上部署AI模型的初級工程師和數據科學家。

培訓結束後，參與者將能夠：

• 理解TinyML的基礎知識及其重要性。
• 在微控制器和邊緣設備上部署輕量級AI模型。
• 優化和微調機器學習模型以實現低功耗。
• 將TinyML應用於實際應用，如手勢識別、異常檢測和音頻處理。

本課程的目的是提供在實踐中應用機器學習方法的一般熟練程度。通過使用 Python 程式設計語言及其各種庫, 並基於大量的實際示例, 本課程教授如何使用機器學習最重要的構建塊, 如何做出資料建模決策, 解釋輸出並驗證結果

我們的目標是讓您能夠自信地理解和使用機器學習工具箱中最基本的工具, 並避免資料科學應用的常見陷阱。

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。

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。

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。

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。

這個爲期8天的課程，提供了從紮實的Python工程基礎到高級AI系統設計的完整學習路徑。學員將培養規範的編碼實踐，掌握統計與深度學習方法，並構建生產級生成式AI和基於agent的系統。課程重點在於可靠性、評估、安全性和實際部署，而不僅僅是實驗。

人工神經網路是一種計算數據模型，用於開發能夠執行“智慧”任務的 Artificial Intelligence (AI) 系統。Neural Networks 通常用於 Machine Learning （ML） 應用程式，這些應用程式本身就是 AI 的一種實現。Deep Learning 是 ML 的一個子集。

本課程將理論和實踐工作相結合，並在整個活動中使用的具體示例。

這門由講師指導的hong-kong（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。

這種以講師為主導的hong-kong現場現場培訓針對的是希望使用TensorFlow分析潛在欺詐數據的數據科學家。

在培訓結束時，參與者將能夠：

• 在Python和TensorFlow中創建欺詐檢測模型。
• 建立線性回歸和線性回歸模型來預測欺詐。
• 開發一個端到端的人工智慧應用程序來分析欺詐數據。

機器學習是人工智能的一個分支，計算機無需明確編程即可學習。

深度學習是機器學習的一個子領域，它使用基於學習數據表示和結構的方法，如神經網絡。

Python是一種高級編程語言，以其清晰的語法和代碼可讀性著稱。

在這次講師指導的線下培訓中，學員將學習如何使用Python爲電信行業實現深度學習模型，並逐步創建一個深度學習信用風險模型。

培訓結束後，學員將能夠：

• 理解深度學習的基本概念。
• 瞭解深度學習在電信中的應用。
• 使用Python、Keras和TensorFlow爲電信創建深度學習模型。
• 使用Python構建自己的深度學習客戶流失預測模型。

課程形式

• 互動講座與討論。
• 大量練習與實踐。
• 在實驗環境中進行實際操作。

課程定製選項

• 如需爲此課程定製培訓，請聯繫我們安排。

本次實踐性、講師主導的培訓課程是Python數據分析課程的自然延續。

它向參與者介紹機器學習的核心概念，並展示如何將這些概念直接應用於預測、分類和分割等數據分析任務。

重點在於理解機器學習在實踐中的工作原理，使用Python、Pandas和Jupyter Notebook等熟悉的工具，無需高級數學背景。

本次由講師指導的培訓在hong-kong（線上或線下）面向希望評估當前可用方法和工具的工程師，以便在組織內採用MLOps時做出明智的決策。

通過本次培訓，參與者將能夠：

• 安裝和配置各種MLOps框架和工具。
• 組建具備正確技能的團隊，以構建和支持MLOps系統。
• 準備、驗證和版本化數據以供ML模型使用。
• 瞭解ML管道的組件及其所需的工具。
• 實驗不同的機器學習框架和服務器，以部署到生產環境。
• 將整個機器學習過程操作化，使其可重現和可維護。

這項由講師指導的hong-kong（線上或線下）培訓，針對中級數據分析師、開發人員或有志成為數據科學家的人士，旨在應用機器學習技術於Python中，以提取洞察、進行預測並自動化數據驅動的決策。

在本課程結束時，參與者將能夠：

• 理解並區分關鍵的機器學習範式。
• 探索數據預處理技術和模型評估指標。
• 應用機器學習算法解決實際數據問題。
• 使用Python庫和Jupyter筆記本進行實作開發。
• 構建用於預測、分類、推薦和聚類的模型。

這種以講師為主導的hong-kong現場培訓（現場或遠端）面向希望使用Tensorflow 2.x 構建預測器，分類器，生成模型，神經網路等的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 安裝並配置 TensorFlow 2.x。
• 瞭解 TensorFlow 2.x 相對於以前版本的優勢。
• 構建深度學習模型。
• 實現高級圖像分類器。
• 將深度學習模型部署到雲、移動和IoT設備。

本課程首先爲您提供神經網絡、機器學習算法以及深度學習（算法和應用）的概念性知識。

本培訓的第1部分（40%）更側重於基礎知識，但將幫助您選擇正確的技術：TensorFlow、Caffe、Theano、DeepDrive、Keras等。

本培訓的第2部分（20%）介紹了Theano——一個使編寫深度學習模型變得簡單的Python庫。

本培訓的第3部分（40%）將廣泛基於TensorFlow——谷歌的開源深度學習軟件庫的API。所有的示例和動手實踐都將在TensorFlow中進行。

受衆

本課程面向希望在其深度學習項目中使用TensorFlow的工程師。

完成本課程後，學員將：

• 對深度神經網絡（DNN）、CNN和RNN有良好的理解
• 理解TensorFlow的結構和部署機制
• 能夠執行安裝/生產環境/架構任務和配置
• 能夠評估代碼質量，進行調試和監控
• 能夠實現高級生產任務，如訓練模型、構建圖和日誌記錄