| 1.1 認識 AI(人工智能) |
- 在各行業的應用
- 當今 AI 的特色:什麽是機器學習
- 認識深度學習:圖像、語音 AI 的應用
- 觀摩:機器學習的流程與步驟
|
| 1.2 AI 時代的到來，我們需要思考什麽 |
- 什麼東西能做? 什麼東西不能做?
- 人類在 AI 時代裡，到底該怎麼辦?
- 如何推展 AI 教育?
- AI 對未來教育、就業會有什麼影響?
|
| 1.3 認識神經網路(NN)架構 |
- AI 如何模擬人腦的神經元組織結構
- AI 如何模擬人類的學習過程
- 分組討論:為什麼 AlphaGo 能贏過圍棋 9 段高手呢?
|
| 2.1 打開電腦 Excel ，實機操作 |
- 從 Python 叫出 Excel 工作表
- 觀察訓練過程中的參數(如 W[]和 B[])變化
- AI 機器學習(訓練)一回合(Epoch)
- 訓練的兩個步驟:正向推演與反向傳播
|
| 2.2 理解反向傳播的演算法 |
- 線性分類器與非線性分類器
- 非線性分類與 Sigmoid 激勵函數
- 梯度下降(Gradient Descent)尋優算法
- 學習率(Learning Rate)的意義
|
| 2.3 使用 TensorFlow 的深度學習模型 |
- 如何訓練 CNN 模型，來記憶複雜的藥物副作用關係
- 使用 Excel 的數據來輸入訓練資料(藥物及副作用相關性
- 實際訓練:使用 Excel+TensorFlow 訓練平臺
|
| 3.2 CNN 模型的兩個部分:探索特徵與物件分類 |
- 細說卷積運算(Convolution)和池化(Pooling)
- 遷移學習(Transfer Training):善用 CNN 圖像識別的預訓 練(Pre-trained)模型，例 如:ResNet 50 。
- 實際訓練:把 CNN 應用於護理師的排班決策上，並親自訓練自己的 AI 模型。
|
| 3.3 AI 醫療圖像識別案例 |
- 準備訓練資料(約 6 千張訓練圖像，以及 3 千張測試圖像)
- 圖像資料處理:使用<直方圖拉伸法>
- 分組實作:用 Excel+ResNet50 來加速訓練自己的 AI 模型，以便識別超音波圖像裡的病灶，並對 病症進行分級判讀
|
| 4.1 介紹 RNN 深度學習模型 |
- 從 CNN 的基礎，迅速認識 RNN 模型
- 介紹 RNN 模型的主要應用場域，如:語音和文本(Text)識別
|
| 4.2 更多 AI 模型 |
- 創作 AI ，如:GAN 生成對抗模型
- 非監督式學習，如:強化學習。
- 應用實例:NetFlex 音樂平臺的推薦系統
|
| 4.3 複習與討論 |
- 分享自己的 CNN 模型建立與訓練案例(即 3.3 的分組實作)
- 綜合討論
- 應用實例:NetFlex 音樂平臺的推薦系統
|
