|
生醫人的AI系列課程 - AI 從 0 到 1 再到 ∞ 可能
近年來，AI已成為最熱門的學習主題與時代浪潮，我們特別精心設計了兩個系列的學習課程，陪伴您開啟AI學習之旅，讓您的研究更上一層樓！ 系列一：No-Code AI 初階入門 對於生物醫學相關研究人員來說，掌握 AI 的基礎概念與認識相關工具能在研究分析有更多樣的選擇。本系列課程將介紹 AI 的基礎概念和應用範例，通過無需撰寫程式的AI工具和平台，進行實際操作。您將學習如何使用這些工具快速建立和部署 AI 模型，將之應用於生物醫學領域。我們邀請相關領域的專家，分享親身實作經驗，讓您能夠立即將所學應用於實際工作中。 系列二：Python + AI 從基礎到專業 對於希望更深入理解 AI 技術的研究人員而言，我們將從基礎的程式設計開始，逐步探討機器學習和深度學習的核心概念。課程結合概念講解和實作項目，讓您能夠實際編寫Python程式和優化 AI 模型，應用於生物資訊、醫學影像、基因組學、蛋白質體等前沿研究領域。無論您是初學者還是有經驗的專家，這些課程都將為您打開全新的 AI 探索之門。 AI的領域無遠弗屆，歡迎您加入我們的系列課程，一同探索 AI 的無限潛力。以下是首登場的系列一：No-Code AI 初階入門課程內容說明，期待大家的參與！
課程主題一：AI與數據分析的基本概念 講師: 長庚大學資工系 李季青助理教授 課程簡介: 數據分析是一門通過數學、統計學和計算機技術來解析數據的學科。它的核心在於從大量的數據中提取有價值的信息，幫助我們做出更明智的決策。數據分析的過程通常包括以下幾個步驟：數據收集、數據清理(處理缺失值和異常值)、數據探索 (通過統計圖表、數據可視化工具等，初步了解數據的特徵和模式)、數據建模對數據進行深入分析，找出數據之間的關聯和趨勢。 AI人工智慧，能夠處理複雜的任務，如圖像識別、數據解析、語音識別、自然語言處理等。AI的實現主要依賴於機器學習，這是一種通過訓練數據來提高系統性能的方法。涵蓋監督學習(通過已知的標籤數據訓練模型，讓模型學會預測新數據的標籤。例如，利用大量標註過的圖片訓練模型，讓它能夠識別新圖片中的物體)、非監督學習 (讓模型在沒有標籤數據的情況下，自主發現數據中的模式和結構。例如，利用演算法將相似的數據點分組)。本堂課將幫助您掌握基本的數據分析與機器學習概念。
課程主題二：Orange 數據可視化和機器學習工具 講師: 國立彰化師範大學生物學系 劉儼毅助理教授 課程簡介: Orange Data Mining 是一款強大且易於使用的數據可視化和機器學習工具。其設計理念是讓使用者在不需要撰寫程式碼或建立複雜數學模型的情況下，也能夠輕鬆進行資料分析和基礎模型開發，讓更多沒有程式撰寫背景的人士也能夠參與到數據科學的世界! Orange提供了一個簡易又直觀的工作流程，使用者只需通過拖放功能模組即可建立和執行分析流程。這些功能模組涵蓋了從數據導入、預處理、分析到可視化的各個環節，使得數據分析變得更加系統化和有條理。 無論是探索數據模式、進行數據分類、迴歸分析，還是進行聚類分析，Orange Data Mining 都能提供豐富的工具和模板來滿足使用者的需求。通過本課程，您將學會如何使用Orange Data Mining來進行數據探勘和機器學習。讓我們一起踏上數據科學的探索之旅！
課程主題三：不寫程式玩AI，RapidMiner實作 講師: 國立台灣大學化學系 鍾興翔博士 課程簡介: 近幾年AI的蓬勃發展，是否帶給你無限的想像，想像著AI能解決任何難題，想像著AI翻天覆地的改變我們的世界，但也同時覺得它遙不可及，複雜又深奧，很難為自己所用呢？如果你也有這個困擾，不妨來試試看no-code AI平台。 No-code AI平台顧名思義就是讓我們不用寫程式，也能夠建立AI模型的平台。RapidMiner便是一套免費的no-code AI軟體，利用圖像化的介面、簡單拖拉式的操作，便能夠完成資料前處理、機器學習模型建立、優化、以及驗證。 本課程將帶領大家深入了解並使用RapidMiner，讓你親手操作並體驗如何在不寫程式的情況下，建構一個AI模型。課程內容適合對AI有興趣，但是對寫程式、機器學習有點陌生的初學者。藉由這堂課，你將能夠(1)了解AI和機器學習的基本概念；(2)掌握RapidMiner的操作技巧；(3)實際建立、優化、驗證機器學習模型；(4)體驗AI如何解決實際問題。 在這個AI的時代，比起模型的新穎及複雜度，更重要的是能否發現關鍵的問題，並有效應用AI的能力來解決和改善現有的困境。希望藉由這堂課，能夠帶領大家踏出使用AI的第一步，讓AI不再是遙不可及的天方夜譚，而是一個解決問題的實用工具。歡迎大家踴躍參加！
課程主題四：自動機器學習工具 Matlab AutoML 實作 講師: 國立暨南大學應用化學系 吳志哲教授 課程簡介: 自動機器學習（AutoML）是一種通過自動化機器學習模型的選擇、訓練和調參過程，使得非專業人員也能夠構建高效且準確的機器學習模型的技術。Matlab公司開發的AutoML工具是一款功能強大的自動機器學習軟體，旨在簡化和加速機器學習的應用流程。它提供了直觀的圖形化介面和豐富的功能，包括模型自動選擇、特徵工程、自動調參以及結果分析等。Matlab AutoML支援多種機器學習任務，如分類、回歸、效能評估等，使得用戶能夠在短時間內快速構建和部署機器學習模型，極大地降低了進行機器學習應用的門檻。 本課程特邀請國立暨南大學應用化學系的吳志哲教授，以實作方式由淺入深帶領學員熟悉Matlab AutoML的功能與操作。課程為期三小時，第一小時將介紹自動機器學習的理論基礎，幫助學員理解AutoML的核心概念和技術原理。第二小時將進行自動機器學習分類範例的實作，提供抗甲氧苯青黴素金黃色葡萄球菌（Methicillin resistant S. aureus, MRSA）與對甲氧苯青黴素敏感性之金黃色葡萄球菌（Methicillin susceptible S. aureus, MSSA) 的蛋白質質譜數據，學員將親自上手操作並體驗如何使用Matlab AutoML進行分類任務。第三小時則會展示自動機器學習在回歸任務中的應用，並預留時間進行問答交流，解答學員在實作過程中的疑問。課程內容適合對沒有程式編碼經驗和機器學習知識背景有興趣的數據科學家和相關領域的研究人員參加，期待大家踴躍報名，共同探索自動機器學習的魅力！
課程主題五：KNIME - No Code/Low Code資料分析平台 講師: 臺北醫學大學臨床基因體學暨蛋白質體學碩士學位學程 王三源副教授 課程簡介: 分子活性預測在藥物開發和化學研究中扮演著重要角色。通過預測分子的生物活性，可以有效地篩選出潛在的藥物候選分子，從而節省大量的實驗資源和時間。本工作坊將帶領學員從基礎開始，介紹分子活性資料庫與分子活性預測的基本原理和方法，並利用No Code/ Low Code分析工具提取分子結構資訊、進行資料前處理和模型建構等實作。 工作坊內容將以KNIME這個No Code/Low Code資料分析平台為載體，結合資料科學與化學計量學模組進行實作教學，降低學習與操作門檻，讓非程式設計背景的學員也能順利從基礎知識到實際操作，掌握分子活性預測相關技術。首先，學員將學習如何下載、安裝KNIME平台並建立工作環境，為後續的資料分析和模型建構做好準備。接著，將介紹常用的分子活性資料庫，幫助學員了解資料來源和資料結構。在分子結構描述方面，將講解如何描述分子結構，了解不同的分子描述方法及其應用，並教學如何利用KNIME計算分子的結構描述子，進行定量構效關係（QSAR）分析。接著介紹資料清理的基本方法和步驟，確保資料品質，以便進行準確的模型訓練。接下來，將介紹常用的機器學習演算法，如決策樹、隨機森林、支援向量機和神經網絡等，並解釋它們在分子活性預測中的應用。特徵篩選部分將介紹如何選擇對模型訓練最有用的分子描述子。最後，學員將學習從分子資料準備到模型建立的整個過程，並實際操作，建立並評估分子活性預測模型。期望這個主題能對相關領域之研究學者及學生在分子活性分析這個主題上有所幫助，歡迎大家踴躍參加，一起來學習利用No Code/Low Code分析工具進行分子活性預測。
2024年8月27日(星期二)AI與數據分析與Orange視覺化資料分析工具
2024年8月28日(星期三)不寫程式玩AI (RapidMiner實作)與自動機器學習工具(Matlab AutoML實作)
2024年9月4日(星期三)KNIME - No Code/Low Code資料分析平台
|
|||||||||||||||||||||||||||||||||||||||||||
簡介：