Our Courses

機器學習技法 (Machine Learning Techniques)

The course extends the fundamental tools in "Machine Learning Foundations" to powerful and practical models by three directions, which includes embedding numerous features, combining predictive features, and distilling hidden features. [這門課將先前「機器學習基石」課程中所學的基礎工具往三個方向延伸為強大而實用的工具。這三個方向包括嵌入大量的特徵、融合預測性的特徵、與萃取潛藏的特徵。]

• Course by
• Self Paced
• Chinese

機器學習基石上 (Machine Learning Foundations)---Mathematical Foundations

Machine learning is the study that allows computers to adaptively improve their performance with experience accumulated from the data observed. Our two sister courses teach the most fundamental algorithmic, theoretical and practical tools that any user of machine learning needs to know. This first course of the two would focus more on mathematical tools, and the other course would focus more on algorithmic tools. [機器學習旨在讓電腦能由資料中累積的經驗來自我進步。我們的兩項姊妹課程將介紹各領域中的機器學習使用者都應該知道的基礎演算法、理論及實務工具。本課程將較為著重數學類的工具，而另一課程將較為著重方法類的工具。]

• Course by
• Self Paced
• Chinese

大數據分析：商業應用與策略管理 (Big Data Analytics: Business Applications and Strategic Decisions)

本課程是為非資料科學專業者設計的大數據領域入門課程，偏商管應用，非資訊技術教學。透過修習本課程，學員將能對資料科學商管領域的範疇與分類建立基本的觀念，並且瞭解其在商管領域的各種應用。在學的學生可藉此為職涯做準備，在職的社會人士則可拓展自己對資料科學的想像，進一步思考在自身工作場域應用資料科學的可能性。

本課程共計六週，第一週為學界與業界對談，透過直播企劃呈現大數據應用的議題，作為課程的開端，二到五週由臺灣大學教授進行授課，分別就金融、行銷、社群媒體、輿情分析、行銷智慧等議題，介紹大數據在領域的應用，課程以闡述應用為主，但不會花很多時間在演算法的技術細節。第六週則由玉山金控李正國數位金融長主講，帶入玉山金控積極應用大數據於銀行業的策略，產學合作課程確實結合學界與業界的專家，就資料科學的商管應用做不同面向的介紹。

課程設計中安排一位主持人的課前提問、單元介紹引言、延伸提問等等，引導學生學習與思考，各週授課教師與課程主題概述如下：

第一週：臺灣大學資訊管理學系魏志平教授、玉山金控李正國數位金融長 -- 課程簡介、與大數據的午餐約會直播活動
第二週：臺灣大學工商管理學系與資訊管理學系合聘楊立偉教授 -- 資料分析在金融及財務上的應用

• Course by
• Self Paced
• Chinese

人工智慧：機器學習與理論基礎 (Artificial Intelligence - Learning & Theory)

本課程第二部分著重在和人工智慧密不可分的機器學習。課程內容包含了機器學習基礎理論（包含 1990 年代發展的VC理論）、分類器（包含決策樹及支援向量機）、神經網路（包含深度學習）及增強式學習（包含深度增強式學習。
此部份技術包含最早追溯至 1950 年代直到最近 2016 年附近的最新發展。此課程從基礎理論開始，簡介了各機器學習主流技法以及從淺層學習架構演變到最近深度架構的轉換。

本課程之核心目標為：
（一）使同學對人工智慧相關的機器學習技術有基礎概念
（二）同學能夠理解機器學習基礎理論、分類器、神經網路、增強式學習
（三）同學能將相關技術應用到自己的問題上

修課前，基礎背景知識：
需要的先備知識：計算機概論
建議的先備知識：資料結構與演算法

• Course by
• Self Paced
• Chinese

파이썬의 응용 소셜 네트워크 분석

이 과정은 NetworkX 라이브러리를 사용한 튜토리얼을 통해 학습자에게 네트워크 분석을 소개합니다. 과정 처음에는 네트워크 분석이란 무엇인지, 왜 현상을 네트워크로 모델링할 수 있는지를 파악합니다. 두 번째 주에는 연결성과 네트워크 견고성의 개념을 소개합니다. 세 번째 주에는 네트워크에서 노드의 중요성 또는 중심성을 측정하는 방법을 탐구합니다. 마지막 주에는 시간 경과에 따른 네트워크의 진화를 탐구하고 네트워크 생성 모델과 링크 예측 문제를 다룹니다.

이 과정을 시작하려면 먼저 다음을 수강해야 합니다. 파이썬의 데이터 과학 입문, 파이썬의 응용 플로팅, 차트 및 데이터 표현, 파이썬의 응용 머신 러닝.

• Course by
• Self Paced
• Korean

파이썬의 데이터 과학 소개

이 과정에서는 학습자에게 람다, csv 파일 읽기 및 조작, numpy 라이브러리와 같은 기본적인 파이썬 프로그래밍 기술을 포함하여 파이썬 프로그래밍 환경의 기본 사항을 소개합니다. 이 과정에서는 인기 있는 python pandas 데이터 과학 라이브러리를 사용하여 데이터 조작 및 정리 기술을 소개하고 데이터 분석을 위한 중심 데이터 구조로 Series 및 DataFrame의 추상화를 소개하고 groupby, merge 및 pivot 테이블 같은 함수를 효과적으로 사용하는 방법에 대한 튜토리얼을 제공합니다. 이 과정이 끝나면 학생들은 표 형식의 데이터를 가져와 정리하고 조작하고 기본 추론 통계 분석을 실행할 수 있습니다.

이 과정은 다른 ‘파이썬을 사용한 응용 데이터 과학’ 과정보다 먼저 수강해야 합니다. 파이썬의 응용 플로팅, 차트 및 데이터 표현, 파이썬의 응용 머신 러닝, 파이썬의 응용 텍스트 마이닝, 파이썬의 응용 소셜 네트워크 분석.

• Course by
• Self Paced
• Korean

컴퓨터 비전 분야에서의 딥 러닝 응용 사례

이 강의는 CU 볼더 대학교의 데이터 과학 석사(MS-DS) 학위 과정의 일부로써 학점 인정이 가능하며 Coursera 플랫폼을 통해 제공됩니다. MS-DS는 CU 볼더 대학교의 응용 수학, 컴퓨터 과학, 정보 과학 및 기타 여러 학과 교수진이 모여 만든 학제간 학위 과정입니다. MS-DS는 능력에 따라 입학이 허가되고 지원 절차가 없기 때문에 컴퓨터 과학, 정보 과학, 수학 및 통계학 분야에 대해 광범위한 학부 과정을 이수하고 전문 경험이 풍부한 사람에게 이상적인 과정입니다. MS-DS 과정에 대한 정보는 링크(https://www.coursera.org/degrees/master-of-science-data-science-boulder)를 통해 확인하실 수 있습니다.

• Course by
• Self Paced
• Korean

컨볼루션 신경망

딥 러닝 전문화의 네 번째 과정에서는 컴퓨터 비전이 어떻게 발전해 왔는지 이해하고 자율 주행, 얼굴 인식, 방사선 이미지 읽기 등과 같은 흥미로운 애플리케이션에 익숙해질 것입니다.

마지막에는 Residual Networks와 같은 최근 파생을 포함하여 컨볼루션 신경망을 구축할 수 있습니다. 시각적 감지 및 인식 작업에 컨볼루션 네트워크를 적용합니다. Neural Style Transfer를 사용하여 아트 작품을 생성하고 이러한 알고리즘을 다양한 이미지, 비디오 및 기타 2D 또는 3D 데이터에 적용합니다.

딥 러닝 전문화는 딥 러닝의 기능, 도전 과제 및 결과를 이해하고 첨단 AI 기술 개발에 참여할 수 있도록 준비하는 데 유용한 기본 프로그램입니다. 기계 학습을 업무에 적용하고, 기술 경력의 수준을 높이고, AI 세계에서 결정적인 단계를 밟을 수 있는 지식과 기술을 얻을 수 있는 경로를 제공합니다.

• Course by
• Self Paced
• Korean

의사 결정을 위한 비즈니스 분석

이 과정에서는 의사 결정을 위한 모델을 만드는 방법을 알아봅니다. 시장 세분화에 매우 유용한 데이터 축소 기법인 클러스터 분석부터 시작하겠습니다. 그런 다음 많은 비즈니스 결정에 만연한 불확실성을 모델링하는 데 유용한 몬테카를로 시뮬레이션의 기본 사항을 배우게 됩니다. 의사 결정의 핵심 요소는 최선의 조치를 식별하는 것입니다. 비즈니스 문제에는 대안적 해결책이 너무 많은 경우가 있으므로 최적화가 최상의 옵션을 식별하는 데 어떻게 도움이 되는지 배우게 됩니다. 이 과정에서 정말 흥미로운 점은 이러한 예측 및 규범적 분석 모델에 대해 배우기 위해 컴퓨터 언어나 고급 통계를 알아야 할 필요가 없다는 것입니다. Analytic Solver Platform과 Excel에 대한 기본 지식만 있으면 됩니다. 과제에 참여하는 학습자는 Analytic Solver Platform에 무료로 액세스할 수 있습니다.

• Course by
• Self Paced
• Korean

심층 신경망 개선: 하이퍼파라미터 튜닝, 정규화 및 최적화

딥 러닝 전문화 두 번째 과정에서는 딥 러닝 블랙박스를 열어 성과를 이끌어내고 체계적으로 좋은 결과를 만들어내는 과정을 이해하게 됩니다.

최종적으로, 테스트 세트를 훈련 및 개발하고 딥 러닝 애플리케이션 구축을 위한 바이어스/분산을 분석하는 모범 사례를 배우게 됩니다. 초기화, L2 및 드롭아웃 정규화, 하이퍼파라미터 튜닝, 배치 정규화 및 기울기 검사와 같은 표준 신경망 기술을 사용할 수 있어야 합니다. 미니 배치 기울기 하강법, 모멘텀, RMSprop 및 Adam과 같은 다양한 최적화 알고리즘을 구현 및 적용하고 수렴을 확인하고 TensorFlow에서 신경망을 구현합니다.

딥 러닝 전문화는 딥 러닝의 기능, 과제 및 결과를 이해하고 최첨단 AI 기술 개발에 참여할 수 있도록 준비하는 데 도움이 되는 기본 프로그램입니다. 머신 러닝을 업무에 적용하고, 기술 경력 수준을 높이고, AI 세계에서 결정적인 단계를 완료할 수 있는 지식과 기술을 얻을 수 있는 경로를 제공합니다.

• Course by
• Self Paced
• Korean

실용 머신 러닝 소개

이 강좌는 머신 러닝에 관심이 있으며 데이터 분석 및 자동화에 머신 러닝을 적용하길 원하는 전문가를 위한 강좌입니다. 이 강좌는 금융, 의약품, 공학, 비즈니스 등 분야와 상관없이 머신 러닝 프로젝트에서 문제를 정의하고 데이터를 준비하는 방법을 소개합니다.이 강좌를 수료하고 나면 머신 러닝 문제를 두 가지 접근 방법으로 정의할 수 있을 것입니다. 또한 이용 가능한 데이터 자료를 조사하고 잠재적 ML 적용을 알아보는 방법을 알게 될 것입니다. 비즈니스 니즈를 파악하고 실용 머신 러닝에 적용하는 방법을 알게 될 것입니다. 그리고 머신 러닝을 효과적으로 적용하기 위해 데이터를 준비할 수 있을 것입니다.이 강좌는 Coursera와 Alberta Machine Intelligence Institute에서 준비한 첫 번째 실용 머신 러닝 전문 과정입니다.

• Course by
• Self Paced
• Korean

신경망 및 딥 러닝

딥 러닝 전문화의 첫 번째 과정에서는 신경망과 딥 러닝의 기본 개념을 학습합니다.

마지막에는 완전히 연결된 심층 신경망의 구축, 훈련 및 적용, 효율적인(벡터화된) 신경망 구현, 신경망 아키텍처의 주요 파라미터 식별, 딥 러닝을 자체 애플리케이션에 적용 등 딥 러닝의 부상을 주도하는 중요한 기술 동향에 익숙해질 것입니다.

딥 러닝 전문화는 딥 러닝의 기능, 과제 및 결과를 이해하고 첨단 AI 기술 개발에 참여할 수 있도록 준비하는 데 도움이 되는 기본 프로그램입니다. 머신 러닝을 업무에 적용하고, 기술 경력의 수준을 높이고, AI 세계에서 결정적인 단계를 밟을 수 있는 지식과 기술을 얻을 수 있는 경로를 제공합니다.

• Course by
• Self Paced
• Korean

시퀀스 모델

딥 러닝 전문화의 다섯 번째 과정에서는 시퀀스 모델과 음성 인식, 음악 합성, 챗봇, 기계 번역, 자연어 처리(NLP) 등과 같은 흥미로운 애플리케이션에 익숙해질 것입니다.

이 과정을 이수하면 순환 신경망(RNN)과 GRU 및 LSTM과 같이 일반적으로 사용되는 변형을 구축 및 훈련하고, RNN을 문자 수준의 언어 모델링에 적용하며, 자연어 처리 및 단어 임베딩에 대한 경험을 얻을 수 있으며, HuggingFace 토크나이저 및 트랜스포머 모델을 사용하여 NER 및 질문에 답하기 같은 다양한 NLP 작업을 해결합니다.

딥 러닝 전문화 과정은 딥 러닝의 기능, 과제 및 결과를 이해하고 최첨단 AI 기술의 개발에 참여할 준비를 하는 데 도움이 되는 기본 프로그램입니다. 경력을 쌓기 위한 지식과 기술을 습득할 수 있도록 도와줌으로써 AI 세계에서 최종적인 단계를 맡을 수 있는 길을 제공합니다.

• Course by
• Self Paced
• Korean

빅 데이터 모델링 및 관리 시스템

분석해야 할 빅 데이터 문제를 파악했다면, 빅 데이터 솔루션을 사용해 어떻게 데이터를 수집, 저장 및 정리할 수 있을까요? 이 강의에서는 각 문제에 적합한 다양한 데이터 유형과 관리 도구를 소개합니다. 이 강의를 통해 빅 데이터 관리 시스템과 분석 도구의 관점에서 새로운 빅 데이터 플랫폼이 진화하고 있는 이유를 설명할 있을 것입니다. 이 실습 튜토리얼을 통해 실시간 및 반정형 데이터 사례를 사용한 기술에 익숙해질 것입니다. 여기서 다루는 시스템과 도구에는 다음이 포함됩니다. AsterixDB, HP Vertica, Impala, Neo4j, Redis, SparkSQL. 이 강의는 기존의 미개척 데이터 소스에서 가치를 창출하는 기법과 새로운 데이터 소스를 소개합니다.

이 강의를 마치고 나면 다음을 기대할 수 있습니다.
* 업무 및 실생활 속 문제들에서 다양한 데이터 요소를 식별할 수 있습니다.
* 팀에서 빅 데이터 인프라 계획과 정보 시스템 디자인을 설계해야 하는 이유를 설명할 수 있습니다.
* 다양한 데이터 유형에 요구되는 흔한 데이터 연산을 파악할 수 있습니다.

• Course by
• Self Paced
• Korean

머신 러닝: 회귀 모델

사례 연구 - 주택 가격 예측

첫 번째 사례 연구 주택 가격 예측에서는 입력 특성(면적, 방 및 화장실 개수 등)에서 연속적인 값(가격)을 예측하는 모델을 만듭니다. 이는 회귀를 적용할 수 있는 많은 장소 중 하나일 뿐입니다. 그 외 다른 응용의 범위는 의약품에 대한 건강 효과, 금융 분야에서의 주가, 고성능 컴퓨터 전력 사용 예측에서부터 유전자 발현에 중요한 조절기를 분석하는 것까지 다양합니다.

본 강의에서는 예측 및 특성 선택 태스크를 위한 정규화된 선형 회귀 모델에 대해 알아봅니다. 매우 큰 특성의 집합을 처리하고 다양한 복잡도 모델 중 선택할 수 있습니다. 또한 이상치와 같은 데이터의 양상이 선택한 모델과 예측값에 주는 영향도 분석합니다. 이와 같은 모델을 피팅하기 위해 큰 데이터 세트에 따라 확장하는 최적화 알고리즘을 구현해 봅니다.

학습 목표: 본 강의를 끝내면 여러분은:
-회귀 모델의 입력과 출력을 설명할 수 있습니다.
-데이터를 모델링할 때 편향과 분산을 비교 및 대조할 수 있습니다.

• Course by
• Self Paced
• Korean

머신 러닝 프로젝트 구조화

딥 러닝 전문화 과정의 세 번째 과정에서는 성공적인 머신 러닝 프로젝트를 구축하고 머신 러닝 프로젝트 리더로서 의사 결정을 연습하는 방법을 배우게 됩니다.

이 과정을 마치면 머신 러닝 시스템의 오류를 진단할 수 있고, 오류를 줄이기 위한 전략의 우선 순위를 지정하고, 일치하지 않는 training/test set와 같은 복합적인 ML 설정을 이해하며 휴먼 레벨의 성능에 필적 및/또는 능가하는 ML 설정을 이해하고, 종단 간 학습, 전이 학습, 멀티 태스크 러닝을 적용할 수 있게 됩니다.

이는 또한 기본적인 머신 러닝 지식이 있는 학습자를 위한 독립형 과정입니다. 이 과정에서는 많은 딥 러닝 제품을 구축하고 출시한 Andrew Ng의 경험을 활용합니다. AI 팀의 방향을 제시할 수 있는 기술 리더가 되고 싶다면 이 과정은 수년간의 ML 업무 경험을 거친 후에 얻을 수 있는 ‘산업 경험’을 제공해드립니다.

• Course by
• Self Paced
• Korean

머신 러닝 자세히 알아보기: 기술적 팁, 요령, 그리고 함정

머신 러닝. 여러분 팀이 필요로 하는 것, 여러분 상사가 요구하는 것, 그리고 여러분의 커리어가 사랑하는 것입니다. LinkedIn은 '기업이 가장 필요로 하는 역량' 중 하나이자 미국 내 가장 부상하고 있는 직군으로 머신 러닝을 꼽았습니다.

머신 러닝(일명 '예측 분석')을 배포하기 위해서는, 그 작동 원리를 알아야 합니다. 자신이 실무자가 아닌 기업가라 해도(직접 수치를 다루지 않는 경우), 전반적인 프로젝트를 처리하기 위해서는 머신 러닝의 기본 메커니즘을 파악하고 있어야 합니다. 다시 말해 경영진, 의사결정권자, 또는 운영 관리자 등 직무와 관계없이 예측 모델을 통합하여 의사 결정을 내리는 방법을 감독하는 사람이라면, 가지고 있는 정보가 많을수록 더 나은 결과를 얻을 수 있습니다.

작동 원리를 자세히 살펴보는 일은 아주 재미있을 겁니다. 머신 러닝의 메커니즘은 흥미롭고 놀라울 뿐 아니라, 직관적으로도 이해가 쉽습니다. 전 세계적으로 머신 러닝의 영향력이 빠르게 커지고 있습니다. 이제는 데이터 예측력을 입증하고, 이를 과학적으로 활용하는 방법을 명확히 해야 할 때입니다.

• Course by
• Self Paced
• Korean

머신 러닝 기초: 사례 연구 접근 방식

데이터가 있고 그 데이터로 무엇을 알 수 있는지 궁금하신가요? 머신 러닝으로 비즈니스를 개선할 수 있는 핵심 방법을 더 깊이 이해해야 하나요? 회귀 및 분류에서 딥 러닝 및 추천 시스템까지 어떤 내용으로든 전문가와 대화할 수 있기를 원하시나요?

이 과정에서는 일련의 실제 사례 연구를 통해 머신 러닝에 대한 실무 경험을 얻을 수 있습니다. 첫 번째 과정이 끝나면 주택 수준 특성을 기반으로 주택 가격을 예측하고, 사용자 리뷰에서 감정을 분석하고, 관심 문서를 검색하고, 제품을 추천하고, 이미지를 검색하는 방법을 배우게 됩니다. 이러한 사용 사례에 대한 실습을 통해 광범위한 영역에서 머신 러닝 방법을 적용할 수 있습니다.

이 첫 번째 과정은 머신 러닝 방법을 블랙박스로 취급합니다. 이 추상화를 통해 관심 있는 작업을 이해하고, 이러한 작업을 머신 러닝 도구와 일치시키고, 출력 품질을 평가하는 데 집중할 것입니다. 후속 과정에서는 모델과 알고리즘을 검토하여 이 블랙박스의 구성 요소를 자세히 알아볼 것입니다. 이 조각들은 결합하여 지능형 애플리케이션 개발에 사용할 머신 러닝 파이프라인을 형성합니다.

• Course by
• Self Paced
• Korean

데이터 중심 기업을 위한 비즈니스 지표

이 과정에서는 데이터 분석을 사용하여 회사의 경쟁력과 수익성을 높이는 방법에 대한 모범 사례를 배웁니다. 가장 중요한 비즈니스 지표를 인식하고 단순한 데이터와 구별할 수 있습니다.

다양한 유형의 회사에서 수행하는 비즈니스 분석가, 비즈니스 데이터 분석가 및 데이터 과학자의 중요하면서도 다른 역할을 명확하게 이해할 수 있습니다. 그리고 수요가 높은 이러한 직종에 취업하고 성공하기 위해 필요한 기술을 정확히 파악하게 됩니다.

마지막으로 이 과정에서 제공되는 체크리스트를 사용하여 기업이 빅 데이터 문화를 얼마나 효과적으로 수용하고 있는지 점수를 매길 수 있습니다. 아마존, 우버 및 에어비앤비와 같은 디지털 회사는 빅 데이터를 창의적으로 사용하여 전체 산업을 변화시키고 있습니다. 이러한 회사가 와해적인 이유와 어떻게 데이터 분석 기술을 사용하여 기존 회사를 앞서가는지를 알 수 있습니다.

• Course by
• Self Paced
• Korean

데이터 스토리텔링

이번 강좌에서는 단순한 수준을 넘어선 데이터셋 작업에 쓰일 보다 복잡한 개념에 대해 알아보겠습니다. 시각적인 부분과 데이터에 대한 이해가 어떤 연관성을 갖는지 알아보면서, 이 두 가지 개념이 데이터 스토리텔링에서 어떻게 작용하는지 살펴보겠습니다. 시각화 오류나 데이터 오류를 예방할 수 있는 주요 방법을 복습해 본 후에, S&P 500 섹터를 가지고 태블로에서 다변량 기술적 분석을 적용해 보겠습니다.

• Course by
• Self Paced
• Korean

데이터 과학자의 도구 상자

이 과정에서는 데이터 과학자의 도구 상자에 있는 메인 도구와 아이디어를 소개합니다. 본 과정은 데이터 분석가와 데이터 과학자가 작업하는 데이터, 질문 및 도구의 개요에 대해 설명합니다. 이 과정에는 두 가지 구성 요소가 있습니다. 첫 번째는 데이터를 실행 가능한 지식으로 바꾸는 아이디어에 대한 개념적 소개입니다. 두 번째는 버전 관리, 마크다운, git, GitHub, R 및 RStudio와 같은 프로그램에서 사용할 도구에 대한 실용적인 소개입니다.

• Course by
• Self Paced
• Korean

데이터 과학이란 무엇인가?

• Course by
• Self Paced
• Korean

تصور البيانات باستخدام Power BI: انشئ لوحة معلومات للتسويق

يهدف ذلك المشروع الإرشادي إلى أن يجعلك قادرا على إنشاء لوحة معلومات خاصة بشركة اتصالات باستخدام Power BI لكي تساعدهم على معرفة قيمة عمر العملاء وأي العملاء الأكثر دخلًا للشركة للاهتمام بهم من قبل فريق التسويق وتقديم لهم عروض وخدمات خاصة لضمان بقائهم مع الشركة وزيادة نسبة ولائهم لها.

• Course by
• Self Paced
• 3 hours
• Arabic

تحليل المبيعات في Power BI: تنظيف وتصور بيانات المبيعات

هذا المشروع التفاعلي (تحليل البيانات باستخدام Power BI: مُعالجه ورسم بيانات المبيعات) مُوجه الي مُتعلمي المستوي المُبتدئ في تحليل البيانات.

• Course by
• Self Paced
• 2 hours
• Arabic

Структурирование проектов по машинному обучению

Из этого курса вы узнаете, как создавать успешные проекты по машинному обучению. Вы — лидер команды по внедрению ИИ или хотите им стать? Этот курс научит вас ставить правильные цели для своей команды.

• Course by
• Self Paced
• Russian