TensorFlow AI 教學課程大綱與簡介

 

課程簡介

TensorFlow作為全球領先的開源深度學習平台，憑藉強大的運算能力和豐富的生態系統，被廣泛應用於人工智慧的各大領域。本課程以TensorFlow 2.0為核心版本，融合動態圖和Keras高階API，降低學習門檻，並通過理論講解與實戰練習相結合的方式，幫助學員從零基礎深入掌握深度學習技術，實現模型設計、訓練、優化與部署的全流程能力。適合電子資訊、數據分析、機器學習入門者及相關領域研發人員。

 

課程大綱

1. TensorFlow基礎與環境搭建（6小時）

• TensorFlow簡介及生態概覽

• 開發環境搭建與配置（含Google Colab與本地環境）

• 核心數據結構：張量(Tensor)操作

• 動態圖（Eager Execution）原理與應用

• 範例實作：線性迴歸與簡單神經網絡訓練

2. 監督式學習與分類問題（4小時）

• 監督學習基本理論

• 損失函數與優化器介紹（梯度下降等）

• 二元分類與多類別分類模型設計

• 影像識別典型案例：MNIST與CIFAR-10數據集

• TensorBoard使用與模型訓練過程可視化

3. 深度卷積神經網絡(CNN)與轉移學習（5小時）

• CNN結構解析與卷積運算原理

• 池化層與正則化策略（Dropout, Batch Normalization）

• 預訓練模型與遷移學習實踐

• 實例：使用ResNet、VGG進行圖像分類

• 使用Keras高階API構建高效模型

4. 循環神經網絡(RNN)與自然語言處理(NLP)（5小時）

• RNN、LSTM與GRU理論解析

• 序列數據處理技巧

• 文本分類、情感分析與語言模型應用

• 範例實作：文字情感分析與簡易語言生成

• TensorFlow NLP工具包介紹

5. 進階模型與實戰（6小時）

• Transformer模型結構介紹與應用

• BERT微調與自然語言理解專題

• 強化學習基本概念與實現方法

• 模型部署策略與性能優化

• 綜合專案實作與成果展示

6. TensorFlow Lite與邊緣AI開發（3小時）

• TensorFlow Lite架構與特性

• 模型壓縮與轉換

• 边缘設備上的模型部署實戰

• TinyML基本概念與微控制器應用

 

預期學習成果

完成課程後，學員將能夠：

• 熟悉TensorFlow框架及其開發流程

• 理解並掌握各類深度學習模型的核心概念與搭建方法

• 能夠實現多種圖像與文本AI應用並進行訓練與調優

• 掌握模型部署及推理優化技能，支持跨設備智能應用

• 獨立完成從數據處理到最終產品的端到端AI項目

 

適合對象

• 深度學習初學者及AI愛好者

• 軟體工程師、數據科學家與機器學習工程師

• 相關專業學生及科研人員

• 有志於推動人工智慧技術應用的企業研發團隊

本課程致力於理論與實踐結合，階梯式學習設計，透過豐富的程式範例與實驗練習，幫助各階段學員建構紮實的深度學習技術基礎，為未來人工智慧應用開發之路打下堅實基石。

*可選擇上門、到校、到企業等彈性小班AI教學模式

**以上AI課程由知名香港AI教學先行者 「香港AI學院」 提供課程內容及技術的支援，以確保 「AI課程」 高性價比的品質水平。