單元
|
課程名稱
|
課程時間
|
時數
|
原價
|
優惠價
|
全系列
|
Python AI人工智慧資料分析師
|
6/29-8/04
|
66
|
32,000
|
29,000
|
單元一
|
Python程式設計入門
|
6/29-6/30
|
14
|
單元二
|
Python網路爬蟲實作技術
|
7/06-7/07
|
14
|
單元三
|
Python資料分析入門及工具運用
|
7/13-7/14
|
14
|
單元四
|
機器學習理論與實作
|
7/27-8/04
|
24
|
單元一: Python程式設計入門
課程簡介:
Python程式語言比C或Java語言更容易學習,語法簡易功能強大,有高效的內建資料結構及優雅的語法,其優質的設計架構及豐富的程式套件更讓Python在許多領域廣泛應用。此外,Python也可在Linux, MAC, Windows, Android, 與iOS等平台上執行。
Python在網路爬蟲、數據處理、與雲端基礎設施等領域都有大量運用,是您學習數據資料分析不可或缺的工具。
課程目標:
1. 快速瞭解Python基礎知識與技術
2. 深入淺出學會流程控制與邏輯判斷
3. 高階資料結構的運用
4. 物件導向基礎能力養成
5. 完整程式碼範例強化實作能力
課程日期: 108/6/29、6/30(六日) 9:00~17:00,共計14小時
課程大綱:
主題
|
內容
|
Python簡介
|
* 何謂程式語言與演算法 * 編譯器與直譯器
* Python 語言特性與禪思 * Python 的應用
|
執行Python程式
|
* 程式的特性 * 輸出指令
* 註解
|
Python的資料
|
* 資料值與資料型態 * 字串
* 資料型態轉換 * 變數
* 表示式 * 運算子與運算元
* 輸入指令
|
除錯
|
* 常見錯誤及除錯策略
|
Python模組
|
* Python模組 * 模組的使用
* 常用模組
|
Python簡介
|
* 何謂程式語言與演算法 * 編譯器與直譯器
* Python 語言特性與禪思 * Python 的應用
|
小烏龜繪圖模組
|
* 第一個Turtle程式 * For迴圈
* Range函式 * 其他Turtle方法
|
決策結構
|
* 布林值與布林表示式 * 決策
|
迴圈
|
* For迴圈 * While迴圈
|
函式
|
* 函式的回覆值與執行流程 * 函式的參數與變數
* 函式呼叫其他函式 * 布林函式
* 使用主函式
|
字串
|
* 字串及字元位置 * 字串相關方法
|
串列
|
* 存取元素 * 串列的參考
* 串列方法 * 字串分解與串列組合
* 字組(Tuple)
|
字典
|
* 字典操作
|
檔案
|
* 在目錄中尋找檔案 * 讀取檔案內容
* 寫入檔案內容
|
例外處理
|
* 例外處理與流程控制 * 標準例外
* 擷取所有例外 * 擷取單一例外
|
物件與類別
|
* 物件結構 * 物件方法
* 類別宣告與預設 * 類別繼承
|
|
※主辦單位保留課程調整及講師更動之權利
單元二: Python網路爬蟲實作技術
課程簡介:
處理大數據的目標使效率越來越高,成本不斷減少,從而造就了基於大數據的商業智能。而網際網路大量的資料等待著挖掘與分析,如何取得正確與精準的資料,網路爬蟲技術是一項非常實用的技能。這堂課深入淺出地教您如何打造自己的網頁爬蟲,透過實際的範例練習,讓您了解基礎的網頁爬蟲實戰技術。
適合對象:本課程屬於初階課程,適合已有 python 基礎使用經驗者。
課程日期: 108/7/6-7/7 (六日) 9:00~17:00,共計14小時
課程大綱:
※主辦單位保留課程調整及講師更動之權利
講師簡介:
張維元老師,清華大學資訊工程研究所畢,主要研究領域為巨量資料之實務應用,曾經擔任資料科學年會/行動科技年會講者。擅長資料科學與網站開發技術,熟悉的語言是 Python 跟 JavaScript。是資料科學的信仰者,試圖用資料科學的方法導入到不同領域解決問題。喜歡與不同背景的人進行交流,分享資訊思維與跨領域的整合經驗。
單元三: Python資料分析入門及工具運用
課程簡介:
隨著電腦運算效率提升與大數據資料取得便利,讓資料分析的應用範圍擴及各個產業,也大大提高資料處理的效益。本課程選擇的程式語言是Python,理論搭配實作教學,讓您能夠理解數據分析的基本概念與技巧,將所學運用在您的專業領域。
課程日期: 108/7/13-7/14 (六日) 9:00~17:00,共計14小時
課程大綱:
主題
|
內容
|
資料科學及Python工具
|
* 資料科學簡介及應用
* 資料科學實作流程
* 安裝 Anaconda
* 使用 Jupyter Notebook
* Python3 語法快速簡介
|
Numpy簡介
|
* NumPy Arrays
* NumPy 數值運算
* NumPy 切片與串接
|
Matplotlib與視覺化
|
* 折線圖(Line plot)
* 散佈圖(Scatter plot)
* 直方圖(Histogram)
* 長條圖(Bar plot)
* 箱形圖(Box plot)
|
Pandas與資料處理
|
* 基本資料結構
* 資料篩選
* 資料匯入與匯出:Excel、CSV、JSON
* 遺失值處理
* 資料合併、JOIN
|
Scikit-learn與機器學習
|
* 線性迴歸
* 分類-Logistic迴歸
* 分類-kNN(k-Nearest Neighbors)
* 分類-SVM(Support Vector Machines)
* 分類-Perceptron
* 分群-KMeans(k-Means Clustering)
|
|
※主辦單位保留課程調整及講師更動之權利
講師簡介:
張維元老師,清華大學資訊工程研究所畢,主要研究領域為巨量資料之實務應用,曾經擔任資料科學年會/行動科技年會講者。擅長資料科學與網站開發技術,熟悉的語言是
Python 跟 JavaScript。是資料科學的信仰者,試圖用資料科學的方法導入到不同領域解決問題。喜歡與不同背景的人進行交流,分享資訊思維與跨領域的整合經驗。
單元四: 機器學習理論與實作
課程簡介:
AI已經進入到不同產業,不論在電子、金融、資訊、醫療、零售、通訊、交通、物流等領域,您都可能透過機器學習(Machine Learning)解決過去難以解決的問題。機器學習是人工智慧的其中一個分支,是一門很深的學問,本課程從基礎切入,由淺入深,包含理論及實作技術,讓學習者了解何時可以使用機器學習、為何機器可以學習、機器怎麼學習、如何讓機器學得更好,幫助您掌握機器學習最核心的觀念與技術本質。
課程日期: 108/7/27-28、8/3-4 (六日) 9:30~16:30,共計24小時
課程大綱:
主題
|
內容
|
Introduction to Machine Learning
|
1.何謂機器學習?
2.機器學習的核心與框架
3.機器學習的種類? 監督式學習? 非監督式學習? 強化學習?
4.為什麼要分訓練資料集與測試資料集?
5.模型複雜度與資料複雜度
|
Machine Learning I: Regression & Classification
|
機器學習實作是以Scikit Learn為主
1.以線性迴歸 (Linear Regression)為出發點
2.帶你深入淺出迴歸模型與分類問題 (Classification)
jLinear binary classification
k羅吉斯迴歸(Logistic Regression)
l支持向量機(Support Vector Machine)
mKernel method
3.評估機器學習模型的學習效果
j損失函數(Loss Function)
k均方根誤差(RMSE)
l梯度下降法(Gradient Descent)
m如何縮小RMSE? 模型與參數的選擇
4.判斷模型預測能力的指標
j混淆矩陣、準確率 (Accuracy)、精準度(Precison)、召回率(Recall)、F-分數 (F-Score)、ROC曲線、AUC
|
Machine Learning II: Model evaluation
|
1.什麼是Overfitting?
2.如何避免 Overfitting?jRegularization 技巧
3.如何挑選好的模型?j交叉驗證法(Cross Validation)
|
Machine Learning III: Clustering
|
1.分群 (Clustering)
jK-means
kK-medoids
l最大期望算法
mHierarchical clustering
…DBSCAN
†Affinity propagation
|
Machine Learning IV: Ensemble learning
|
1.Boosting
2.Bagging
3.決策樹 (Decision tree)
4.剪枝演算法
5.隨機森林 (Random forest)
|
Machine Learning V: Feature engineering & Dimensional reduction
|
1.教你特徵工程的應用技術:
j遺失值處理
k特徵縮放、轉換、建構、組合、萃取
2.降維演算法與應用:
jPCA
kMDS
ltSNE
|
|
※主辦單位保留課程調整及講師更動之權利
|