[台灣人工智慧學校] 人工智慧民主化在台灣

人工智慧民主化在台灣
讓人工智慧在台灣深化，帶動產業發展
陳昇瑋
台灣人工智慧學校執行長

3
中央研究院資訊所研究員
台灣人工智慧學校執行長
玉山金融控股公司科技長
台灣資料科學協會理事長
人工智慧科技基金會執行長
科技生態發展公益基金會執行長

陳昇瑋 / 人工智慧民主化在台灣
Since 2002 (my first PhD year) …
PhD dissertation: based on a 20-hour game packet trace
Collaboration & Consulting
製造業
電信業
社群網路 / 遊戲
銀行 / 壽險 / 電子票証
中央 / 地方政府
資料分析這條路
11

Change is the only constant
- Heraclitus (535 BC - 475 BC)
(Slide Credit: Albert Chen)

陳昇瑋 / 人工智慧民主化在台灣 15

AlphaZero: One Algorithm, Three Games
16
Mastering Chess and Shogi by self play
with reinforcement learning
Master Chess and Shogi by self play with
reinforcement learning
(Slide Credit: Google)

陳昇瑋 / 人工智慧民主化在台灣 17(Slide Credit: Google)

作者們用同樣的算法設定、網絡架構和超參數（只有剛剛說到的噪聲大小不
同），分別訓練了下國際象棋、日本象棋、圍棋的三個 AlphaZero 實例。訓
練從隨機初始化的參數開始，步數一共是 70 萬步，mini-batch 大小 4096；
5000 個第一代 TPU 用來生成自我對局，64 個第二代 TPU 用來訓練神經網絡
（注：第二代 TPU 的存儲器帶寬更高）。
18

MACHINE
LEARNING

ML Arxiv Papers per Year
(Slide Credit: Google Brain)

Machine Learning
22
A type of algorithms that gives computers the
ability to learn rules from experience, rather than
being hard coded.
Find the common patterns
from the left waveforms
It seems impossible to
write a program for
speech recognition
你好你好
你好你好
You quickly get lost in the
exceptions and special cases.
(Slide Credit: Hung-Yi Lee)

博藍尼悖論（Polanyi's Paradox）
25
我們懂的事情，
比我們能表達出來的更多。
哲學家博藍尼在 1964 年說明了這個現象：
博藍尼悖論不只限制我們能告訴另一個人的事情，一直以來，也為我們賦予機器
智慧的能力，設下根本的限制。長久以來，這限制了機器在經濟中能有效執行的
活動。

Let the machine learn by itself
你好
大家好
人帥真好
You said
“你好”
A large amount of
audio data
You only have to write the
learning algorithm ONCE
Derive rules
from datasets

Patterns learned by machine
27

Multi-layer patterns learned from faces
28

A Gaydar
29
Based on 35,000 facial images
Human judges: 61% for men, 54% for women
AI judges: 91% for men, 83% for women
A heat map of where the algorithm looks to detect signs of homosexuality (Kosinski and Wang)
https://osf.io/zn79k/

Composite hetero- and homo-sexual faces
30

陳昇瑋 / 人工智慧民主化在台灣 (Slide Credit: Hung-Yi Lee)

34http://technews.tw/2017/05/05/updating-google-maps-with-deep-learning-and-street-view/

Deep learning can be highly flexible
• Speech Recognition
• Handwritten Recognition
• Playing Go
• Dialogue System
( )=*f
( )=*f
( )=*f
( )=*f
“2”
“Morning”
“5-5”
“Hello”“Hi”
(what the user said) (system response)
(step)

Deep Learning is a subset of
Representation Learning
40

機器學習適合什麼任務？
規模巨大、明確定義且有足夠因果關係的輸
入 (X) 和輸出 (Y) 資料
任務提供明確的反饋，且能進行大量模擬
不需豐富背景知識或很長的邏輯／推理鏈
容錯性，不需要完全解決方案
學習的現象或功能不隨著時間快速變化
41

這些例子為什麼適合或不適合機器學習？
預測颱風走向
預測地震
玩德州撲克
批改作文
撰寫作文
預測股市
醫療診斷
安慰病人
推銷產品
創業點子
找出恐怖份子
當立法委員
42

陳昇瑋 / 從大數據走向人工智慧
DEEP NEURAL NETWORKS: AN
EXTREMELY SHORT TUTORIAL
45

Human Brains

47
An Artificial Neuron
z
1w
2w
Nw
…
1x
2x
Nx
+
b
( )zσ
( )zσ
zbias
a
( ) z
e
z −
+
=
1
1
σ
Sigmoid function
Each neuron is a function
Activation
function

Artificial Neural Network
( )zσ+
( )zσ+
( )zσ+
( )zσ+

Output
LayerHidden
Layers
Input
Layer
Fully Connect Feedforward Network
Input Output
1x
2x
Layer 1
……
Nx
……
Layer 2
……
Layer L
……
……
……
……
……
y1
y2
yM
Deep means many hidden layers
neuron

𝜎𝜎
Matrix Operation
2y
1y1
-2
1
-1
1
0
4
-2
0.98
0.12
1
−1
1 −2
−1 1
+
1
0
0.98
0.12
=
1
-1
4
−2 (Slide Credit: Hung-Yi Lee)
𝜎𝜎

1x
2x
……
Nx
……
……
……
……
……
……
……
y1
y2
yM
Neural Network
W1 W2 WL
b2 bL
x a1
a2 y
b1
W1 x +𝜎𝜎
b2
W2 a1 +𝜎𝜎
bL
WL +𝜎𝜎 aL-1
b1

= 𝜎𝜎 𝜎𝜎
1x
2x
……
Nx
……
……
……
……
……
……
……
y1
y2
yM
Neural Network
W1 W2 WL
b2 bL
x a1
a2 y
y = 𝑓𝑓 x
b1
W1 x +𝜎𝜎 b2
W2 + bL
WL +…
b1
…
Using parallel computing techniques
to speed up matrix operation

Output Layer
as Multi-Class Classifier
……
……
……
……
……
…… ……
……
y1
y2
yM
Kx
Output
LayerHidden Layers
Input
Layer
x
1x
2x
Feature extractor replacing
feature engineering
= Multi-class
Classifier
Softmax

Example Application
Input Output
16 x 16 = 256
1x
2x
256x
……
Ink → 1
No ink → 0
……
y1
y2
y10
Each dimension represents
the confidence of a digit.
is 1
is 2
is 0
……
0.1
0.7
0.2
The image
is “2”

Example Application
• Handwriting Digit Recognition
Machine “2”
1x
2x
256x
……
……
y1
y2
y10
is 1
is 2
is 0
……
What is needed is a
function ……
Input:
256-dim vector
output:
10-dim vector
Neural
Network

TensorFlow Playground
http://playground.tensorflow.org/

Modularization
• Deep → Modularization
1x
2x ……
Nx
……
……
……
……
……
……
The most basic
classifiers
Use 1st layer as module
to build classifiers
Use 2nd layer as
module ……
The modularization is
automatically learned from data.
→ Less training data?

Modularization - Image
• Deep → Modularization
1x
2x
……
Nx
……
……
……
……
……
……
The most basic
classifiers
Use 1st layer as module
to build classifiers
Use 2nd layer as
module ……
Reference: Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding
convolutional networks. In Computer Vision–ECCV 2014 (pp. 818-833)

63
(Credit: https://www.slideshare.net/WillStanton/deep-learning-with-text-v4)

64(Credit: Deep Learning Book)

Fat + Short v.s. Thin + Tall
1x 2x …… Nx
Deep
1x 2x …… Nx
……
Shallow
Which one is better?
The same number
of parameters

Fat + Short v.s. Thin + Tall
Seide, Frank, Gang Li, and Dong Yu. "Conversational Speech Transcription
Using Context-Dependent Deep Neural Networks." Interspeech. 2011.
Layer X Size
Word Error
Rate (%)
Layer X Size
Word Error
Rate (%)
1 X 2k 24.2
2 X 2k 20.4
3 X 2k 18.4
4 X 2k 17.8
5 X 2k 17.2 1 X 3772 22.5
7 X 2k 17.1 1 X 4634 22.6
1 X 16k 22.1

陳昇瑋 / 網路購書大數據
Deep models tend to perform better
67

A Straightforward Answer
• Do Deep Nets Really Need To Be Deep? (by Rich Caruana)
• http://research.microsoft.com/apps/video/default.aspx?id=
232373&r=1
keynote of Rich Caruana at ASRU 2015

陳昇瑋 / 網路購書大數據
Deep Neural Networks
69
1. Deep = many layers
2. Deep = hierarchical of concepts

AI Winter (1970-1980, 1990-2000)
https://www.mynewsdesk.com/toshiba-global/blog_posts/bringing-the-new-ai-era-to-life-the-
researchers-creating-toshibas-technologies-55589

1958: Perceptron (linear model)
1969: Perceptron has limitation
1980s: Multi-layer perceptron
Do not have significant difference from DNN today
1986: Backpropagation
Usually more than 3 hidden layers is not helpful
1989: 1 hidden layer is “good enough”, why deep?
2006: RBM initialization
2009: GPU
2011: Start to be popular in speech recognition
2012: win ILSVRC image competition
2015.2: Image recognition surpassing human-level performance
2016.3: Alpha GO beats Lee Sedol
2016.10: Speech recognition system as good as humans
Ups and downs of Deep Learning

What was actually wrong with backprop
in 1986?
We all drew the wrong conclusions about why it
failed. The real reasons were:
Our labeled datasets were thousands of times too
small.
Our computers were millions of times too slow.
We initialized the weights in a stupid way.
We used the wrong type of non-linearity.
73
(Credit: Geoff Hinton,What Was ActuallyWrongWith Backpropagation in 1986?)

人工智慧近年突破的主因之一：運算能力
74
手寫數字辨識 in 1993
影像物件辨識 2016
https://pjreddie.com/darknet/yolo/

Deep Neural Networks (DNN)
are way more complex and capable!
(Slide Credit: AlbertY. C. Chen)

8 layers
19 layers
22 layers
AlexNet (2012) VGG (2014) GoogleNet (2014)
16.4%
7.3%
6.7%
http://cs231n.stanford.e
du/slides/winter1516_lec
ture8.pdf

AlexNet
(2012)
VGG
(2014)
GoogleNet
(2014)
152 layers
3.57%
Residual Net
(2015)
Taipei
101
101 layers
16.4%
7.3% 6.7%
Special
structure
Ref:
https://www.youtube.com/watch?v=
dxB6299gpvI

What do CNNs learn?
Neurons act like “custom-trained filters”;
react to very different visual cues, depending on data.

What do CNNs learn?
Neurons act like “custom-trained filters”; react to
very different visual cues, depending on data.

陳昇瑋 / 從大數據走向人工智慧 99

Edge & Blob
100
http://vision03.csail.mit.edu/cnn_art/data/single_layer.png
(like receptive fields inV1 neurons)

Texture
101

Object Parts
102

Object Classes
103

BEYOND
SUPERVISED ORDINARY
PREDICTION
106
BEYOND
PREDICTION MODELING

Sheng-Wei Chen / From Data Science to Artificial Intelligence
Time series forecasting
107

STRUCTURED LEARNING
109

Auto Coloring
113
https://paintschainer.preferred.tech/index_zh.html
https://zhuanlan.zhihu.com/p/24712438

Colorful Image Colorization
114
Zhang, Richard, Phillip Isola, and Alexei A. Efros. "Colorful image colorization." European
Conference on Computer Vision. Springer International Publishing, 2016.

Colorful Image Colorization
115
http://richzhang.github.io/colorization/
A 313-class classification problem
Input: 224x224x1 (L)
Model output: 64x64x313
Pixel values: annealed mean of 313
colors

Colorizing Legacy Photos
116

GENERATIVE MODELS
117

Generative Adversarial Networks
118

Truth vs. Generated Samples
119
https://metacademy.org/roadmaps/rgrosse/deep_learning

Source of images: https://zhuanlan.zhihu.com/p/24767059
DCGAN: https://github.com/carpedm20/DCGAN-tensorflow
Anime Girl Face Generation

100 rounds

1000 rounds

5000 rounds

50,000 rounds

BEGAN (Boundary Equilibrium GAN)
Berthelot, David,Tom Schumm, and Luke Metz. "Began: Boundary equilibrium generative
adversarial networks." arXiv preprint arXiv:1703.10717(2017).
https://github.com/carpedm20/BEGAN-tensorflow

NN
Generator
v1
Discri-
minator
v1
NN
Generator
v2
Discri-
minator
v2
NN
Generator
v3
Discri-
minator
v3
Real poems: 床前明月光，疑似地上霜，舉頭望明月，低頭思故鄉。
哈哈哈哈哈… 低頭吃便當… 春眠不覺曉…
WGAN – Poem Generation

由李仲翊同學提
供實驗結果
• 升雲白遲丹齋取，此酒新巷市入頭。黃道故海歸中後，不驚入得韻子門。
• 據口容章蕃翎翎，邦貸無遊隔將毬。外蕭曾臺遶出畧，此計推上呂天夢。
• 新來寳伎泉，手雪泓臺蓑。曾子花路魏，不謀散薦船。
• 功持牧度機邈爭，不躚官嬉牧涼散。不迎白旅今掩冬，盡蘸金祇可停。
• 玉十洪沄爭春風，溪子風佛挺橫鞋。盤盤稅焰先花齋，誰過飄鶴一丞幢。
• 海人依野庇，為阻例沉迴。座花不佐樹，弟闌十名儂。
• 入維當興日世瀕，不評皺。頭醉空其杯，駸園凋送頭。
• 鉢笙動春枝，寶叅潔長知。官爲宻爛去，絆粒薛一靜。
• 吾涼腕不楚，縱先待旅知。楚人縱酒待，一蔓飄聖猜。
• 折幕故癘應韻子，徑頭霜瓊老徑徑。尚錯春鏘熊悽梅，去吹依能九將香。
• 通可矯目鷃須浄，丹迤挈花一抵嫖。外子當目中前醒，迎日幽筆鈎弧前。
• 庭愛四樹人庭好，無衣服仍繡秋州。更怯風流欲鴂雲，帛陽舊據畆婷儻。
Randomly generated
WGAN – Poem Generation

Conditional GAN –
Text to Image
"red flower with
black center"

Sheng-Wei Chen / AI Now: A Data Science Perspective
AI 自動生成二次元妹子？
或將替代插畫師部分工作
130
http://bangqu.com/b4U76M.htmlhttp://make.girls.moe/#/

Image-to-image Translation
Phillip Isola, Jun-Yan Zhu,Tinghui Zhou, Alexei A. Efros, “Image-to-Image
Translation with Conditional Adversarial Networks”, arXiv preprint, 2016

Interactive Image Translation with
pix2pix-tensorflow
https://affinelayer.com/pixsrv/

Image to Image Translation: CycleGAN

CycleGAN
134

Horse <-> Zibra
135

Outcome
137

Video Reenactment
139
https://www.youtube.com/watch?v=ohmajJTcpNk
https://www.youtube.com/watch?v=9Yq67CjDqvw

Deepfakes
140https://www.inside.com.tw/2017/12/13/gal-gadot-fake-ai-porn

Types of Machine Learning Methods
141
Machine
Learning
Supervised UnsupervisedReinforcement
Task driven
(Regression /
Classification)
Data driven
(Clustering,
Dimension Reduction)
Learning by reacting
to feedback

Learning to play Go
Supervised v.s. Reinforcement
142(Slide Credit: Hung-Yi Lee)

https://www.youtube.com/watch?v=M2DQVWLxB7I

https://www.youtube.com/watch?v=SHLuf2ZBQSw

Why Supervised Learning is Not Enough
145
https://www.reddit.com/r/MachineLearning/comments/2lmo0l/ama_geoffrey_hinton/
The brain has about 1014 synapses and we only live for about
109 seconds. So we have a lot more parameters than data.
This motivates the idea that we must do a lot of
unsupervised learning since the perceptual input (including
proprioception) is the only place we can get 105 dimensions
of constraint per second.
-- Geoffrey Hinton

Typical Applications of RL
Play games: Atari, poker, Go, ...
Explore worlds: 3D worlds, Labyrinth, ...
Control physical systems: manipulate, walk, swim, ...
Interact with users: recommend, optimize, personalize,
...
147
(Slide credit: David Silver)

DeepMind A3C
149
https://youtu.be/0xo1Ldx3L5Q?t=22
SL: Mimic excellent drivers
RL: Learn from failures

NVidia Self Driving Car, 2016

More RL Applications
Flying Helicopter
Driving
Google Cuts Its Giant Electricity Bill With DeepMind-
Powered AI
Parameter tuning in manufacturing lines
Text generation
Hongyu Guo, “Generating Text with Deep Reinforcement
Learning”, NIPS, 2015
Marc'AurelioRanzato,SumitChopra,Michael Auli,Wojciech
Zaremba, “Sequence Level Training with Recurrent Neural
Networks”, ICLR, 2016
151(Slide Credit: Hung-Yi Lee)

Big data vs. Machine learning vs. AI
Big data: records of experience
Machine learning: “A type of algorithms
that gives computers the ability to learn
from experience, rather than being explicitly
programmed."
Artificial intelligence
Turing test
153

AI IN MANUFACTURING
154

1/3 of the GDP
Manufacturing GDP of $178B, almost 1/3 of total
GDP
30% of the employment are in the manufacturing
sector
Cheap labor cost of $9.42/hr with average labor
productivity of almost $60k in GDP/person
17% corporate tax rate
155

McKinsey’s Four Dimensions in
AI Value Chain
156
Smart R&D and
forecasting
Project
Optimized
production with
lower cost and
higher efficiency
Produce
Products and
services at the
right price, time,
and targets
Promote
Enriched and
tailored user
experience
Provide

The Four-P Dimensions in Manufacturing
 Improve product design
 Automate supplier assessment and price negotiation
 Anticipate parts requirements
 Improve manufacturing processes
 Automate assembly lines
 limit product rework
 Optimize pricing
 Predict sales of maintenance services
 Refine sales-leads prioritization
 Optimize flight/fleet planning and route
 Enhance maintenance engineering
 Enhance pilot training
157
Provide
Project
Promote
Produce

孔祥重校長
• 美國卡內基美隆大學電腦教授
• 美國哈佛大學資訊科技與管理博士學程共同主席
• 行政院 SRB 會議海外專家與科技顧問
• 行政院科技顧問
• 國家級計畫重要推手
• 數位台灣計畫 (e-Taiwan)
• 行動台灣計畫 (M-Taiwan)
• 電信國家型計畫
• WiMAX 發展藍圖
• 網路通訊國家型計畫
H.T. Kung
• 中央研究院院士
• 美國哈佛大學電腦與電機系蓋茲講座教授
現任
經歷

Where the Role of Taiwan?
159(Slide Credit: Google)
Social

以人工智慧提升
台灣產業競爭力

March – November in 2017
161
台塑石化
長春石化
奇美實業
英業達
欣興電子
敬鵬工業
可成科技
致茂電子
永進機械
研華科技
農科院
紡織所
聯發科技
台積電
宏遠紡織
台元紡織
佳和紡織
強盛染整
臺灣塑膠
龍鼎蘭花
經緯航太科技

產業 AI 化的挑戰
01 實戰人才的缺乏
02找對問題不簡單
03 產學之間的鴻溝
04對自建技術的信心

台灣人工智慧學校首屆開學典禮
Project θ Weekly Meetings at NCTU
and Also Online with Academia Sinica
June 6, 2017

164
產業共通
挑戰
預測性維護瑕疵檢測
原料組合最佳化自動流程控制

產業共通挑戰 #1－瑕疵檢測
165

台灣人工智慧學校首屆開學典禮 166
Typical PCB defects

Typical defects after
SMT (Surface-Mount Technology) process
短路
空焊
極反
缺件
浮高
跪腳
撞件
錫球
墓碑
…
167
https://www.researchmfg.com/2011/02/soldering-defect-symptom/

More SMT/DIP Defect Examples
168

System automatically detects cracks in
nuclear power plants
169

Convolution Neural Networks + Transfer Learning
Pre-trained using 14-million image dataset
ResNet with > 8-million parameters
Input
images
Model training /
inference
OK
OK
以深度學習進行自動瑕疵檢測

實際案例 – 視覺檢測速度比較
171
產線數量: 23 條
4 位目檢人員; 漏網率約 5%
AOI 設備每小時影像輸出量: 配合人力允許條件, 60 萬張/每日
(極限為每條產線 2 萬張/小時 = 1104 萬/日)
判定耗時: 30 萬張 / 人日 = 120 萬張/日
傳統
人力
目檢
深度
學習
系統
硬體設備: 中高階桌上型電腦 + NVIDIA GPU: 10 ~ 15 萬
軟體: 開源軟體 + 高度調校之深度學習模型
品質:模型漏網率控制在 0.01% 之下，目檢人員只需檢查原本總數之 5%
的圖片
判斷速度: 166.67 張 / sec  每日 1440 萬張影像

實際案例 – 視覺檢測效益評估
172
品質：根據複判初步統計，目檢人員漏網率至少為 12.9%
速度：目檢人員 8~10 位，每天約可檢查共約 3,000,000 張
傳統
人力
目檢
深度
學習
系統
硬體設備：中高階桌上型電腦 + NVIDIA GPU: 10 ~ 15 萬
軟體：開源軟體 + 高度調校之深度學習模型
品質：模型漏網率控制在 1% 之下，目檢人員只需檢查原本
總數之 10% 的圖片
速度：8,640,000 張 / 天 = 100 張 / 秒

產業共通挑戰 #2－自動流程控制
173

良品範圍
良率: 61%
QualityIndex
人為控制設備參數

175
採用深度學習控制設備參數
作業員良率: 61%
自動控制良率: 98%
QualityIndex

Especially important for equipment with high failure cost (such as
motors in machine tools)
Also important for expensive consumables (such as blades used in
precision cutting machines)
176
產業共通挑戰 #3－預測性維護

預測某段時間後的設備狀態
177

產業共通挑戰 #4－原料組合最佳化

染整業的打色問題

Pigment 1 Pigment 2 Pigment 3打色成功率: 70% to 95%

PROJECT Θ TEAM HAS
SOLVED
10+ PROBLEMS
FROM 10+ COMPANIES
WITHIN 6 MONTHS…
181

2017/06/26 Project θ Meeting
183

尋找一個把能量放大
的方法
1,000x

產業 AI 化的挑戰
01 實戰人才的缺乏
02找對問題不簡單
03 產學之間的鴻溝
04對自建技術的信心
關鍵

187
人工智慧
人才培育
產業 AI 化
顧問服務
永續科技
推展

台塑企業
奇美實業
英業達集團
義隆電子
聯發科技
190
科技生態發展公益基金會
基金捐助人

191
http://aiacademy.tw/opening-video-180127/

http://aiacademy.tw/
01
02
03
產業 AI 化的軍校
領域專家 + 人工智慧
讓「找不到人才」不再是障礙

04
03
05
01
02
06
第一流的講師
富經驗助教團隊
第一手真實問題
充足計算設備 200 人大班制
學員實驗室

夥伴計畫
企業 / 學界
出題
學員組隊
解題
結業生
招募活動
http://aiacademy.tw/corporate-partner/

空氣盒子計畫
中國信託商業銀行
中國鋼鐵
中國醫學大學醫院
中研院化學所
中研院生多中心
中研院生醫所
中華電信研究院
嘉實資訊
天下雜誌
天氣風險
宏遠興業
東森得易購
痞客邦 PIXNET
長春石化
雲象科技
201
第一期企業及學術夥伴

合作解題
論文研討
新知分享
個人競賽
團隊競賽
期中、期末考
200 人大班制

第一期招生班別
• 十二周
• 周一至周五
• 朝九至晚六
• 理論課程
• 實作課程
• 專題實戰
• 個人競賽
• 期中、期末考試
技術領袖
培訓班
經理人
周末研修班
• 十二周
• 每周六
• 朝九至晚九
• 基礎理論課程
• 應用分享
• 分組討論／報告
• 交流聚會

技術領袖培訓班
程式設計
統計
機率
線性代數微積分
報名
430 人
錄取
210 人

經理人周末研訓班
報名
470 人
錄取
320 人

經理人研修班課程
人工智慧概觀
統計與資料分析
機器學習與演算法概論
深度學習入門
手把手機器學習及深度學習
電腦視覺
文字探勘與自然語言處理
社群媒體分析
聊天機器人
推薦系統
語音與音樂訊號處理
人工智慧產業案例分析

台灣人工智慧學校
第一期結業典禮
日期: 4/28 (六)
地點: 中研院人社大樓
活動: 1) 結業典禮
2) 期末成果發表會
3) 就業媒合活動

豐碩的專題實作成果
台股指數漲跌預測
預測實價登錄房價
腸病毒感染爆發預測
植物品種辨識
速訊寫稿機器人
3D 細胞影像語義分割
動物聲音辨識
….
文章自動摘要與標題生成
文章自動標籤生成
預測實價登錄房價
人與物互動辨識
AOI 瑕疵偵測
銅箔缺陷多元分類
讓照片說話
…
222

經理人研修班
統計與資料分析
機器學習與演算法概論
深度學習入門
手把手的資料分析
電腦視覺
語音與音樂訊號處理
文字探勘與自然語言處理
手把手的機器學習
推薦系統 & 聊天機器人
社群媒體與社交網路分析
人工智慧的金融應用
手把手的深度學習
人工智慧開發環境建置
深度學習在實作上的各種挑戰
與困難
引入 AI 之前，企業必須知道的
資料分析與機器學習實務
Plus 20 場人工智慧應用演講…

經理人班 vs 技術班交流活動
225

第一屆 AI 產業化創新競賽
226

台北總校第二期
報名 500 人，錄取 216 人
報名 700 人，錄取 250 人
技術領袖培訓班
經理人周末研修班

技術領袖班核心課程設計
232
核心課程
機器學習自然語言處理
循環神經網絡深度學習基礎
卷積神經網路
機率及統計強化式學習

理論
實作
交流
特製投影片及影片，符合每位
學員進程及學習速度
名師面對面講授學習心得及重
要應用，並進行問答及交流
精心設計的練習題，由助教
手把手帶領進行實作練習
多元互動
學習
技術領袖班核心課程授課方式

新竹分校第一期招生
上課: 7/7 – 10/27 (十六周)
招生: 技術領袖培訓班
(每周二四六)
經理人周末研修班
(每周六)
報名截止: 5/22

新竹分校校址－
新竹市力行路二十一號
235

台灣人工智慧學校分校規劃
236
台北市
Jan 2018新竹市
Jul 2018
台中市
Aug 2018
台南 + 高雄
500 學員 x 每年 3 期 x 4 校區
= 每年培養 6000 AI 工程師 / 經理人

產業 AI 化實戰部隊訓練領域專家 + AI 經理人升級
從人才培育開始，
讓台灣在 AI 世代更具競爭力。

讓台灣在全球人工
智慧的快速發展洪
流中不落人後，能
佔有一席之地。

[台灣人工智慧學校] 人工智慧民主化在台灣

More Related Content

What's hot

Similar to [台灣人工智慧學校] 人工智慧民主化在台灣

More from 台灣資料科學年會

[台灣人工智慧學校] 人工智慧民主化在台灣