技術領袖培訓班期為台灣育成具有人工智慧技術思維與實戰經驗的技術領袖人才,讓產業欲以人工智慧進行產業升級時,不再為缺乏人才所束縛。
我們將以為期十二周,每周五天,朝九晚六的全日班形式,進行人工智慧技術人才的密集培訓。讓不同專業領域的學員都能如虎添翼,以人工智慧加上原本的領域知識,具備協助各企業解決問題,以及帶領人工智慧團隊的能力。他們將擔任技術種子角色,深入台灣產業的各個層面,以其本身專業及人工智慧技術協助企業解決在邁向智慧化的過程中所面臨的難題。
相較於一般資訊科技產業所需的軟體人才,人工智慧技術人才培育的門檻更高,因為並重數學、統計、機器學習、程式設計等科學及實作能力,必須以做中學的方式累積經驗,才能在不斷地解題過程中,掌握技術及培養發現及解決問題所需的經驗。因此,本班將透過一流的師資、「做中學」的教學方式以及與產業的連結,培養第一流人工智慧技術人才的同時,也與業界共同界定可以人工智慧解決的問題,讓人才的培育與實務的挑戰緊密結合。
我們將安排中央研究院等各學研單位及產業界在理論或實務上最富經驗的講師,從核心的機率、統計到機器學習、深度學習等最新的人工智慧皆完整涵蓋,提供紮實的理論課程;同時,本班將帶領學員實作經典及真實案例,學習資料分析與機器學習的實作,以鍵盤代紙筆,累積實戰的基礎技術能力。在後期階段,本班將與本領域企業合作夥伴,共同訂定真實世界裡的人工智慧專題,讓學員在指導老師的帶領及與企業互動的過程中,培養問題定義、資料處理、模型訓練、問題解決及場域導入等成為技術領袖所需的關鍵能力。
我們將在學期末安排專題成果發表會及就業媒合會,促進伯樂與千里馬的媒合。讓本班所培訓之人工智慧人才無論是加入產業界、學術界、或自行創業,都能以他們所學,在社會的各個角落協助台灣在人工智慧技術及應用的全面升級,幫助未來的我們擁有更美好的台灣。
日期 | 時程表 |
---|---|
2017 / 11 / 10 | 開放報名 |
2017 / 12 / 04 | 報名截止日 |
2017 / 12 / 11 | 複試名單公布 |
2017 / 12 / 16 | 複試者進行現場筆試 |
2017 / 12 / 25 | 錄取名單公布 |
2018 / 01 / 28 | 學期開始 |
2018 / 04 / 28 | 學期結束 |
考試須知
考試時間: 2017 年 12月 16日 上午 10:00 至 11:40
考試地點: 中央研究院生物醫學科學研究所地下一樓演講廳 (115台北市南港區研究院路二段128號)
考試時間: 100分鐘
考試內容: 單選 20 題、非選 2 題。總分 100 分,答錯不倒扣。
- 單選包括微積分 5 題、線性代數 5 題、機率 5 題與統計 5 題,共 20 題,每題 4 分
- 非選包括程式設計 2 題,每題 10 分
注意事項: 可使用不具有儲存功能之計算機 (計算機上有「Prog.」,「Run」,「Do」鍵,即具有儲存功能),考試時不得使用手機或紙本參考資料。詳細可使用與不可使用之計算機型號可參考計算機型號參考表
考試科目與參考資料
科目與建議內容 參考資料 微積分
- 微分找極值
- 連鎖律 (the Chain Rule)
- 偏微分 (Partial Derivative)
Calculus online text book, Gilbert Strang, Spring 2005, Massachusetts Institute of Technology: MIT OpenCourseWare
Recommended contents
ch2 (Derivatives), ch3 (Applications of the Derivative), ch4 (The Chain Rule), ch13 (Partial Derivatives)
線性代數
- 基本矩陣運算
- 矩陣性質
- 線性方程式
Linear Algebra, Jim Hefferon, Virginia Commonwealth University Mathematics (June 1, 2009)
Recommended contents
ch1 (Linear Systems), ch3.4 (Matrix Operations), ch5.2 (Similarity)
機率統計
- 基本機率
- 條件機率
- 基本統計觀念
(平均數、中位數、標準差、相關係數...)
- 機率分佈
Beginning Statistics
Recommended contents
ch2 (Descriptive Statistics), ch3 (Basic Concepts of Probability), ch4 (Discrete Random Variables), ch5 (Continuous Random Variables), ch10 (Correlation and Regression)
程式設計
- 以虛擬碼 (Pseudocode) 撰寫基本統計方程式、經典數學數列等 ...
- 使用基本運算 (+, -, x, /) 和流程控制 (if/else, for, while ...)
主題 | 天數 | 內容大綱 |
---|---|---|
課程介紹 & 人工智慧概觀 | 1 | |
機率、統計與 R 語言 | 2 | 1. 敘述性統計 2. 機率分布 3. 抽樣與分布 & 假設檢定 4. 迴歸 & 無母數分析 |
實戰演練-資料分析與資料視覺化 | 1 | |
機器學習基礎與演算法 | 3 | 1. 監督式學習
|
Python 機器學習程式設計 | 1 | |
實戰演練-Python 機器學習實作 | 2 | |
深度學習理論:深層神經網路基礎與卷積神經網路 (Deep Neural Network & Convolution Neural Network, DNN & CNN) | 3 | 1. 深度類神經網路
|
TensorFlow 程式設計 | 1 | 1. TensorFlow basics 2. How to build up a model? 3. Model training 4. Model inference |
期中考 | 1 | |
實戰演練-DNN & CNN | 2 | |
深度學習理論:遞迴神經網路 (Recurrent Neural Network, RNN) | 1 | 序列資料與遞迴神經網路
|
實戰演練-RNN | 1 | |
深度學習理論:生成式對抗網路 (Generative Adversarial Network, GAN) | 1 | 生成式對抗網路 (GANs)
|
實戰演練-GAN | 2 | |
深度學習理論:強化學習 (Reinforcement Learning, RL) | 2 | 強化學習基礎
|
實戰演練-Reinforcement Learning | 2 | |
深度學習於電腦視覺之應用 (Computer Vision) | 1 | 1. 經典神經網路比較:VGG, ResNet & DenseNet 2. 深度學習於電腦視覺應用
|
實戰演練-Computer Vision | 1 | |
深度學習於自然語言處理之應用 (Natural Language Processing, NLP) | 1 | 深度學習於
|
實戰演練-Natural Language Processing | 1 | |
期末專題實作 | 26 | |
期末考 | 1 | |
期末成果發表會 | 1 | |
總天數 | 58 |
Copyright © Taiwan Artificial Intelligence Academy Foundation