機器學習百日馬拉松
業界專家陪你用 100 天打下機器學習紮實基礎
活動介紹
- 資料預處理技術
- 資料特徵工程
- 經典機器學習模型
- 深度學習基礎
- AI 基礎的程式實作能力
- NLP + AI 自然語言與 AI 相關的應用技術:如文件資訊萃取、自動生成內容、情緒分析、機器翻譯、聊天機器人、問答機器人、推薦系統、欺詐訊息偵測、市場輿情與用戶風向分析、用戶滿意度分析、知識挖掘與關鍵訊息萃取、公開市場金融資訊投資預測 ...等 AI 相關應用技術。
- CV + AI 電腦視覺與AI相關應用技術:如臉部辨識、文字辨識(OCR)、醫療影像、停車空位偵測、客流分析、自動駕駛、AOI 光學瑕玼檢測.. 等 AI 相關應用技術。
- Voice + AI 智慧語音 AI 相關應用技術:如生物語音辨識、語音助理、語音翻譯等 AI 相關應用技術。
- AIOT 智慧物聯網與邊緣運算技術:如自駕車、無人機、環境監控感測、Maker創意發明、嵌入式系統、智慧家庭、智慧工廠、智慧城市、智慧醫療等應用領域。
- 打造獨特履歷亮點透過提交個人的學習紀錄與專題成果,讓其它人看見你的努力與堅持,未來幫助你在履歷和進修方面加分。
- 職涯發展學習加分你在本活動的學習紀錄與專題成果,將上傳至世界最大的開源碼平台Github,你可以反覆練習與修改上傳的程式碼與內容,提升對各知識點的掌握,為你未來的職涯發展與學習加分。
- 實務經驗傳承學員們在課程中所遭遇的學習問題,專家都會盡力協助解答,並分享業界實務經驗。
- Kaggle期中/期末專題實戰
- 本課程在期中和期末各設置一次Kaggle挑戰:由專家群特別精心規劃的程式實作專題,讓你結合先前所學的知識點,挑戰基礎與進階的目標,大幅增進應用的技巧。透過嘗試與修正的過程,並隨時與專家討論與詢問,進而完整地將知識與實作結合。
- 陪跑專家回答問題範圍不侷限於馬拉松課程,學員有與機器學習/深度學習相關的問題也歡迎加入討論。
- 本活動除了學習任務挑戰,學員在參與本活動後可永久使用本活動 VIP 共學論壇,與專家和同儕自主學習討論。討論不侷限於學習任務,只要與論壇主題相符即可自由交流。
- 本活動也很歡迎本身對機器學習/深度學習精通的專家們申請加入,一同創造更友善的AI學習環境 (詳情請洽主辦單位)。
- 超過 5,500 位學員加入 AI 學習馬拉松,掌握去蕪存菁的學習資源,即刻優化個人 AI 的學習曲線。
機器學習百日馬拉松是一個結合自學、專家協助及社群共學的AI自學挑戰活動,目的是希望學員從參與的那天起,每天至少花一小時,有系統的學習資料科學與機器學習的相關知識點,並進行 AI 程式練習,連續堅持 100 天,進而更好理解掌握資料科學與 AI 程式實作的能力。因為我們發現對一位新手來說,機器學習的歷程充滿大量的資訊與知識點,僅靠自學將充滿挫折並浪費大量時間。
本活動匯集了一群台灣優秀的資料科學家、企業中高階經理人與專業的軟體工程師,彼此分享與優化學習過程後,規劃最佳學習地圖,幫助 AI 學習者能夠以更有效率的方法學習。加入專家們的學習社群,你能更快掌握 AI 產業應用的關鍵知識。此外,你還可參與全球最大數據競賽平台 Kaggle 檢驗學習成效,留下你的實戰紀錄,讓其它人看見你的能力與努力。
AI學習馬拉松系列已累積共超過6000多位學員參與,想要與專家與同好一起學習的朋友,這次要把握機會報名。本屆馬拉松除了有更多 AI 專家加入、原有教材再升級,提供更多延伸閱讀,幫你更有系統掌握 AI 知識。
我們希望與你一起分享社群導向的學習方法,一起優化AI學習曲線,讓你更有效地在資料科學與機器學習的領域快速成長,累積更多實務學習經驗。
本活動從機器學習概論、資料預處理與特徵工程技術等資料前處理技術開始,到傳統機器學習模型與調參介紹,再到非監督式機器學習和深度學習理論與實作,共包括9大學習里程碑,能夠完成大部分學習任務的學員,我們相信你已經能初步掌握機器學習與深度學習的重要基礎知識與初級實戰能力。
完成本活動100多個學習知識點與期中期末的 Kaggle 考試,你將建立以下能力:
有了以上的基礎能力,未來你更可以進一步學習以下應用技術:
你的努力成果 值得被看見
在學習路上你不再孤單,由專家群規畫完整的關鍵知識點,以每天 1 小時的學習節奏為學員開啟知識探索地圖,學習過程的各種疑難雜症也會有專家和社群同儕參與回答
學習不間斷,一次購買永久學習
學員可以在Cupoy社群中與專家進行提問,包括基礎知識、實務開發、套件安裝、解題方法、程式除錯、參數調校.......等各種問題,專家都會為你找出問題癥結點,給你最需要的建議或解答。
只要參與Cupoy AI學習馬拉松,你將可以與各種AI專家持續互動,永久有效
全新推出機器學習A咖共學計畫-專門為減輕學員負擔所設計
2020下半年,成為機器學習A咖,結合每日、每週與每季的規律學習任務,改善跟不上學習的挫折感,體驗高效雙贏的學習成果!
即日起購買任一馬拉松,限量前100名「免費加贈機器學習A咖共學計畫」!
豐富紮實的社群互動內容,透過你的積極參與和專家陪伴,快來盡情為自己的進步喝采吧。


活動資訊
- 活動開始時間:
- 活動費用:
- 學習保證:
- 精彩教材試閱:
- 活動進度:
- 學習方式:
- 登入帳號:
- 參加資格:
- 莫煩Python3基礎學 shorturl.at/ouSV3
- 彭彭老師python入門教學 shorturl.at/rvBW9
- 預習知識:
- 微積分:微分找極值、連鎖率 (the Chain Rule)、偏微分
- 可汗學院 x 網易公開課 (附中文字幕) https://bit.ly/2Zfd0sn
- 偏微分 - 均一教育平台 https://bit.ly/2ZjqhAe
- 線性代數:基本矩陣運算、矩陣性質、線性方程式
- 李宏毅老師 https://bit.ly/2zhTYTz
- 電腦設備:
- 完成條件:
- 完成全部題目
- 參加並達成Kaggle競賽指定目標,將頒發完賽證書。
- 著作權
掌握 AI 產業應用的知識,用 Python 學習資料科學與演算法,為你奠定資料分析與機器學習的紮實基礎。加入 Cupoy 共學社群,自學也能不孤單,隨時與 AI 業界專家深入資料分析精髓。
活動報名後,永久觀看。
單人票 $1,990元 / 多人優惠套票 $1,850 (2人以上)
本活動的學員能永久使用Cupoy的VIP共學社群服務(內含:每日領域新知 / 專家問答服務),隨時與專家切磋討論AI問題,自由交流與觀摩其他學員作品,目前學員超過 5,500 人, AI 相關累積問答數已超過 2,200 則。
1. 資料介紹與評估資料 (請使用電腦瀏覽)
2. 機器學習概論
參加者可依照自己的學習狀況提交進度,若無法每日提交作業,也可集中至假日一併提交。
1. 參加者至活動官網上面閱讀教材、觀看題目、提交作業,在 VIP 專屬問答社區與專家互動交流,解題遇到困難可向專家直接提問,與同儕互相討論學習。
2. 提供範例程式碼與作業練習、範例程式碼與作業練習、Kaggle 期中期末競賽、多元補充與推薦教材(影音/文章)等,方便您反覆溫習。
3. 活動進行方式採線上進行,不會有實體授課,只要有網路的地方您都可以參加百日馬拉松的活動,也歡迎海外的朋友來報名,教材內容以繁體撰寫,某些推薦閱讀會提供英文網站與資源。
我們將預設您提供的電子信箱為活動的登入帳號,報名多人套票的朋友將以各別提供的電子信箱登入,每個人都會有各自登入帳號。
課程範例程式碼以Python語法為主。建議您在正式開始前能具備Python或其他程式語言初級以上的能力,或預習完成下列Python影片。
關於學習機器學習所需要的數學基礎知識,並不複雜,建議您開始學習前能先預習,幫助你解題更上手。
Windows/Mac/Linux系統,64位元版本
1. 參賽者提交作業之著作權,歸屬參加者個人所有,但主辦單位共同擁有為推廣活動及教育目的重製、下載及公開展示等權利。
2. 主辦單位活動題目內容之文字與圖檔、資料或原有衍生之智慧財產權,隸屬於主辦單位所有。
陪跑教練
-
杜靖愷 Jing Kai Toh
北京零零無限科技 算法工程師
政大應數系畢業,現任職於北京零零無限科技有限公司,擔任電腦視覺算法工程師,負責無人跟拍機視覺辨識相關算法的研發。曾任職於中研院資料洞察實驗室的資料科學家,熟悉資料處理以及視覺▥的技能,負責過電、生物影像、製造業相關的資料科學或人工智慧專案。
-
周俊川 Chuan
Viscovery 電腦視覺工程師
政大風管系畢,目前任職於創意引晴 Viscovery ,擔任電腦視覺工程師,負責電腦視覺與深度學習演算法的研發。曾任職中研院資料洞察實驗室的資料科學家,負責超過 10 餘項資料科學及人工智慧專案,經歷包含處理超過 1 億資料量 ; 不同類型的資料如文本、時間序列、影像 ; 不同產業的資料如電商、電信、博彩、紡織。
-
楊証琨 Jimmy
雲象科技 資料科學家
擔任過多場講座的講師,包含 Python 爬蟲實戰課程、深度學習手把手課程及台灣人工智慧年會的講者。擅長於機器學習建模、建立深度卷積神經網路,特別是電腦視覺的相關應用,對於最新的人工智慧應用均有深入的研究。
-
游為翔 Sean
雲象科技 資料科學家
曾於中研院資料洞察實驗室擔任資料科學家,帶領Team Project Theta 開發深度學習應用於製造業的瑕疵檢測、預防性維護等,使產線得到更佳的品質監測與管理。合作廠商包含台灣各大製造業廠如長春石、研華電、欣咗電子等。除人工智慧專案外,亦曾協助電子票證、交易公司、知名交友APP及 網路書商進行探索性資料分析與建立預測性模型輔助決策。
-
陳宇春 Jeffrey YC. Chen
堃昶科技技術長
擔任過多場教育訓練講師針對內部員工或是外部人士。演講風格內容精準且不失幽默,可以讓學員準確了解課程內容想表達的精隨,實用技巧可以現學現用。馬上實現參數狗的夢想。
-
陳明佑 Ming You Chen
前日月光 IT 部門 工程師
擅長的領域為演算法及股市相關。擁有多年股市資歷,並熟習目前股市分析主流技術,輔以演算法及機器學習上的跨領域知識,可提供讀者股市專業分析的教學與諮詢。
-
楊哲寧
希納蒙人工智慧股份有限公司 AI Researcher
畢業於台灣大學,主修生物材料,從大學開始投入AI相關研究,並完成人工智慧學校第二期技術班培訓,專長為影像辨識與文字探勘。參加過多個資料分析與影像識別相關專案,包含人臉辨識、人物再識別(Reid)、推薦系統與物件偵測等相關應用。目前仍不斷地朝AI的方向繼續努力前進,並且探索AI在日常生活中的應用。
-
張齊文
美商鳳凰科技 資深工程師
(Phoenix Technologies)資深工程師,負責電腦韌體(BIOS)開發與規劃。從事韌體規劃工作已有十多年經驗,曾參與大型伺服器 、個人電腦、及平板電腦的韌體規劃專案。對於電腦架構、硬體系統架設、以及電腦 BIOS的各項設定,有深入了解。
活動準備
-
使用環境軟體安裝
- 一台電腦 PC 或筆電
- 作業系統 Windows / Mac / Linux 皆可
- 電腦需要安裝 Anaconda 平台上的軟體Jupyter Notebook
-
Github / Kaggle 帳號申請
- 至 Github 網站註冊
- 至 Kaggle 網站註冊
-
獲取 Cupoy 訂閱服務
- 至 Cupoy 網站註冊會員
- 訂閱 AI 知識特助服務
活動流程
常見問題
-
無法每天花一小時上課,可以事後花時間上課學習嗎,作業有提交時間限制嗎?
權限開通後,您可依照個人時程安排學習進度,並透過 Github 提交個人的學習紀錄與競賽或專題成果,作業可以重複繳交,期間達成馬拉松完成條件與 Kaggle 競賽指定目標,將頒發完賽證書。
-
課程是線上影音教學嗎?是在什麼平台呢? 社團能自由提問嗎?
本次學習活動是採翻轉教育與社群導向的學習型式,活動的特色是由領域專家針對整個學習框架設計多個知識點,學員至活動官網觀看題目,理解知識點內容與程式碼範例,並完成每日實作任務等型式進行。
提交作業後會提供範例解答,若觀看完範例解答後仍有疑問,本活動提供專屬的問答服務平台,您在學習過程中遭遇的問題,都能隨時向領域專家提問,專家們會盡力協助您解決問題。
在累積每個知識點的實作任務經驗和期末專題,相信您會具備一定的實作能力,而且在活動結束後,您依然可繼續使用共學社團,持續與專家互動和提問,讓您在這個領域能持續成長。
-
請問是要用Python作答,還是可以自選語言完成作業?
環境建置會以 Anaconda 與 Python 為主,但是學員可以自行決定使用擅長或者喜歡的程式語言完成作業。
-
關於深度學習計算資源,著重在用CPU簡單體驗,還是使用Colab或其他GPU的資源?
後半段深度學習的部分,考量到學員們目前的設備,選用的資料集都是以CPU可以正常執行的,部分資料集如果沒有GPU,則可能需花費較長的時間讀取載入。
目前希望學員們能先了解深度學習的基礎知識以及簡單的深度學習模型建立,Cupoy也陸續籌畫其它進階的百日馬拉松活動,屆時我們會視需求另行規畫雲端的GPU資源申請或說明建議的電腦設備與運算環境。
-
作業繳交後,會有人批閱或給予建議嗎?
作業繳交後,我們會提供範例解答,學員們若看完發現仍不理解,可以透過問答平台提問。為了讓學員在學習的路上不孤單,除了有專家陪伴外,《機器學習百日馬拉松》的共學社群,可以讓你找到志同道合的學習夥伴,在學習的路上一起努力。無論是線上討論、線下組織讀書會,或是邀請夥伴一起參與 Kaggle 競賽,都可在共學社群中完成。
-
如何使用兌換碼領取課程?
已註冊 Cupoy 帳號的學員,登入帳號後輸入兌換碼並點選使用(詳如圖片),即可馬上領取課程。尚未註冊帳號的學員,註冊 Cupoy 帳號後即可進行兌換,直接開通學習權限。
-
1. 機器學習概論
從概念上理解機器學習的目的與限制,並導覽機器學習流程
-
2. 資料清理數據前處理
以滾動方式進行資料清理與探索性分析
-
D5
如何新建一個 dataframe? 如何讀取其他資料? (非 csv 的資料)
1. 從頭建立一個 dataframe 2. 如何讀取不同形式的資料 (如圖檔、純文字檔、json 等)
-
D6
EDA:欄位的資料類型介紹及處理
了解資料在 pandas 中可以表示的類型
-
D7
特徵類型
特徵工程依照特徵類型,做法不同,大致可分為數值/類別/時間型三類特徵
-
D8
EDA資料分佈
用統計方式描述資料
-
D9
EDA: Outlier 及處理
偵測與處理例外數值點:1. 透過常用的偵測方法找到例外 2. 判斷例外是否正常 (推測可能的發生原因)
-
D10
數值型特徵 - 去除離群值
數值型特徵若出現少量的離群值,則需要去除以保持其餘數據不被影響
-
D11
常用的數值取代:中位數與分位數連續數值標準化
偵測與處理例外數值 1. 缺值或例外取代 2. 數據標準化
-
D12
數值型特徵-補缺失值與標準化
數值型特徵首先必須填補缺值與標準化,在此複習並展示對預測結果的差異
-
D13
DataFrame operationData frame merge/常用的 DataFrame 操作
1. 常見的資料操作方法 2. 資料表串接
-
D14
程式實作 EDA: correlation/相關係數簡介
1. 了解相關係數 2. 利用相關係數直觀地理解對欄位與預測目標之間的關係
-
D15
EDA from Correlation
深入了解資料,從 correlation 的結果下手
-
D16
EDA: 不同數值範圍間的特徵如何檢視/繪圖與樣式Kernel Density Estimation (KDE)
1. 如何調整視覺化方式檢視數值範圍 2. 美圖修修 - 轉換繪圖樣式
-
D17
EDA: 把連續型變數離散化
簡化連續性變數
-
D18
程式實作 把連續型變數離散化
深入了解資料,從簡化後的離散變數下手
-
D19
Subplots
探索性資料分析 - 資料視覺化 - 多圖檢視 1. 將數據分組一次呈現 2. 把同一組資料相關的數據一次攤在面前
-
D20
Heatmap & Grid-plot
探索性資料分析 - 資料視覺化 - 熱像圖 / 格狀圖 1. 熱圖:以直觀的方式檢視變數間的相關性 2. 格圖:繪製變數間的散佈圖及分布
-
D21
模型初體驗 Logistic Regression
在我們開始使用任何複雜的模型之前,有一個最簡單的模型當作 baseline 是一個好習慣
-
-
3. 資料科學特徵工程技術
使用統計或領域知識,以各種組合調整方式,生成新特徵以提升模型預測力。
-
D22
特徵工程簡介
介紹機器學習完整步驟中,特徵工程的位置以及流程架構
-
D23
數值型特徵 - 去除偏態
數值型特徵若分布明顯偏一邊,則需去除偏態以消除預測的偏差
-
D24
類別型特徵 - 基礎處理
介紹類別型特徵最基礎的作法 : 標籤編碼與獨熱編碼
-
D25
類別型特徵 - 均值編碼
類別型特徵最重要的編碼 : 均值編碼,將標籤以目標均值取代
-
D26
類別型特徵 - 其他進階處理
類別型特徵的其他常見編碼 : 計數編碼對應出現頻率相關的特徵,雜湊編碼對應眾多類別而無法排序的特徵
-
D27
時間型特徵
時間型特徵可抽取出多個子特徵,或周期化,或取出連續時段內的次數
-
D28
特徵組合 - 數值與數值組合
特徵組合的基礎 : 以四則運算的各種方式,組合成更具預測力的特徵
-
D29
特徵組合 - 類別與數值組合
類別型對數值型特徵可以做群聚編碼,與目標均值編碼類似,但用途不同
-
D30
特徵選擇
介紹常見的幾種特徵篩選方式
-
D31
特徵評估
介紹並比較兩種重要的特徵評估方式,協助檢測特徵的重要性
-
D32
分類型特徵優化 - 葉編碼
葉編碼 : 適用於分類問題的樹狀預估模型改良
-
-
4. 機器學習基礎模型建立
學習透過Scikit-learn等套件,建立機器學習模型並進行訓練!
-
D33
機器如何學習?
了解機器學習的定義,過擬合 (Overfit) 是甚麼,該如何解決
-
D34
訓練/測試集切分的概念
為何要做訓練/測試集切分?有什麼切分的方法?
-
D35
regression vs. classification
回歸問題與分類問題的區別?如何定義專案的目標
-
D36
評估指標選定/evaluation metrics
專案該如何選擇評估指標?常用指標有哪些?
-
D37
regression model 介紹 - 線性迴歸/羅吉斯回歸
線性迴歸/羅吉斯回歸模型的理論基礎與使用時的注意事項
-
D38
regression model 程式碼撰寫
如何使用 Scikit-learn 撰寫線性迴歸/羅吉斯回歸模型的程式碼
-
D39
regression model 介紹 - LASSO 回歸/ Ridge 回歸
LASSO 回歸/ Ridge 回歸的理論基礎與與使用時的注意事項
-
D40
regression model 程式碼撰寫
使用 Scikit-learn 撰寫 LASSO 回歸/ Ridge 回歸模型的程式碼
-
D41
tree based model - 決策樹 (Decision Tree) 模型介紹
決策樹 (Decision Tree) 模型的理論基礎與使用時的注意事項
-
D42
tree based model - 決策樹程式碼撰寫
使用 Scikit-learn 撰寫決策樹 (Decision Tree) 模型的程式碼
-
D43
tree based model - 隨機森林 (Random Forest) 介紹
隨機森林 (Random Forest)模型的理論基礎與使用時的注意事項
-
D44
tree based model - 隨機森林程式碼撰寫
使用 Scikit-learn 撰寫隨機森林 (Random Forest) 模型的程式碼
-
D45
tree based model - 梯度提升機 (Gradient Boosting Machine) 介紹
梯度提升機 (Gradient Boosting Machine) 模型的理論基礎與使用時的注意事項
-
D46
tree based model - 梯度提升機程式碼撰寫
使用 Scikit-learn 撰寫梯度提升機 (Gradient Boosting Machine) 模型的程式碼
-
-
5. 機器學習調整參數
了解模型內的參數意義,學習如何根據模型訓練情形來調整參數
-
Kaggle 第一次期中考
-
6. 非監督式機器學習
利用分群與降維方法探索資料模式
-
D54
clustering 1 非監督式機器學習簡介
非監督式學習簡介、應用場景
-
D55
clustering 2 聚類算法
K-means
-
D56
K-mean 觀察 : 使用輪廓分析
非監督模型要以特殊評估方法(而非評估函數)來衡量, 今日介紹大家了解並使用其中一種方法 : 輪廓分析
-
D57
clustering 3 階層分群算法
hierarchical clustering
-
D58
階層分群法 觀察 : 使用 2D 樣版資料集
非監督評估方法 : 2D樣版資料集是什麼? 如何生成與使用?
-
D59
dimension reduction 1 降維方法-主成份分析
PCA
-
D60
PCA 觀察 : 使用手寫辨識資料集
以較複雜的範例 : sklearn版手寫辨識資料集, 展示PCA的降維與資料解釋能力
-
D61
dimension reduction 2 降維方法-T-SNE
TSNE
-
D62
t-sne 觀察 : 分群與流形還原
什麼是流形還原? 除了 t-sne 之外還有那些常見的流形還原方法?
-
-
7. 深度學習理論與實作
神經網路的運用
-
8. 初探深度學習使用Keras
學習機器學習(ML)與深度學習( DL) 的好幫手
-
D66
Keras 安裝與介紹
如何安裝 Keras 套件
-
D67
Keras Dataset
Keras embedded dataset的介紹與應用
-
D68
Keras Sequential API
序列模型搭建網路
-
D69
Keras Module API
Keras Module API的介紹與應用
-
D70
深度神經網路的基礎知識
深度學習網路發展、架構與優缺點
-
D71
損失函數
損失函數的介紹與應用
-
D72
啟動函數
啟動函數的介紹與應用
-
D73
梯度下降Gradient Descent
梯度下降Gradient Descent簡介
-
D74
Gradient Descent 數學原理
介紹梯度下降的基礎數學原理
-
D75
BackPropagation
反向式傳播簡介
-
D76
優化器optimizers
優化器optimizers簡介
-
D77
訓練神經網路的細節與技巧 - Validation and overfit
檢視並了解 overfit 現象
-
D78
訓練神經網路前的注意事項
資料是否經過妥善的處理?運算資源為何?超參數的設置是否正確?
-
D79
訓練神經網路的細節與技巧 - Learning rate effect
比較不同 Learning rate 對訓練過程及結果的差異
-
D80
[練習 Day] 優化器與學習率的組合與比較
練習時間:搭配不同的優化器與學習率進行神經網路訓練
-
D81
訓練神經網路的細節與技巧 - Regularization
因應 overfit 的方法概述 - 正規化 (Regularization)
-
D82
訓練神經網路的細節與技巧 - Dropout
因應 overfit 的方法概述 - 隨機缺失 (Dropout)
-
D83
訓練神經網路的細節與技巧 - Batch normalization
因應 overfit 的方法概述 - 批次正規化 (Batch Normalization)
-
D84
[練習 Day] 正規化/機移除/批次標準化的 組合與比較
練習時間:Hyper-parameters 大雜燴
-
D85
訓練神經網路的細節與技巧 - 使用 callbacks 函數做 earlystop
因應 overfit 的方法概述 - 悔不當初的煞車機制 (EarlyStopping)
-
D86
訓練神經網路的細節與技巧 - 使用 callbacks 函數儲存 model
使用 Keras 內建的 callback 函數儲存訓練完的模型
-
D87
訓練神經網路的細節與技巧 - 使用 callbacks 函數做 reduce learning rate
使用 Keras 內建的 callback 函數做學習率遞減
-
D88
訓練神經網路的細節與技巧 - 撰寫自己的 callbacks 函數
-
D89
訓練神經網路的細節與技巧 - 撰寫自己的 Loss function
瞭解如何撰寫客製化的損失函數,並用在模型訓練上
-
D90
使用傳統電腦視覺與機器學習進行影像辨識
了解在神經網路發展前,如何使用傳統機器學習演算法處理影像辨識
-
D91
[練習 Day] 使用傳統電腦視覺與機器學習進行影像辨識
應用傳統電腦視覺方法+機器學習進行 CIFAR-10 分類
-
-
9. 深度學習應用卷積神經網路
卷積神經網路(CNN)常用於影像辨識的各種應用,譬如醫療影像與晶片瑕疵檢測
-
D92
卷積神經網路 (Convolution Neural Network, CNN) 簡介
了解CNN的重要性, 以及CNN的組成結構
-
D93
卷積神經網路架構細節
為什麼比DNN更適合處理影像問題, 以及Keras上如何實作CNN
-
D94
卷積神經網路 - 卷積(Convolution)層與參數調整
卷積層原理與參數說明
-
D95
卷積神經網路 - 池化(Pooling)層與參數調整
池化層原理與參數說明
-
D96
Keras 中的 CNN layers
介紹 Keras 中常用的 CNN layers
-
D97
使用 CNN 完成 CIFAR-10 資料集
透過 CNN 訓練 CIFAR-10 並比較其與 DNN 的差異
-
D98
訓練卷積神經網路的細節與技巧 - 處理大量數據
資料無法放進記憶體該如何解決?如何使用 Python 的生成器 generator?
-
D99
訓練卷積神經網路的細節與技巧 - 處理小量數據
資料太少準確率不高怎麼辦?如何使用資料增強提升準確率?
-
D100
訓練卷積神經網路的細節與技巧 - 轉移學習 (Transfer learning)
何謂轉移學習 Transfer learning?該如何使用?
-
-
Kaggle 期末考
-
10. Bonus 進階補充
電腦視覺實務延伸