NVIDIA DLI課程 運用AI技術進行異常檢測 / Applications of AI for Anomaly Detection 線上參加

講師： NVIDIA AI大使曾吉弘博士
活動日期：2022年6月10、17日(星期五)
活動時間：10:00~12:00、13:00~14:00（09:50開放入席）
線上直播連結：使用Google Meet
（課程確認，包含Meet連結、注意事項及活動提醒，將以電子郵件寄發。）

課程目標

近年來，深度學習神經網路結合各類應用已有諸多令人耳目一新的應用，除了機器視覺等重點發展領域之外，其餘包含智慧門禁系統、產線瑕疵檢測或是車流分析等應用，都是奠基於此。
本次實作課程的學習目標，將會以分析網路異常封包偵測資料集為基礎，讓學員學習到以下重要觀念，完成課程後通過評量即可取得NVIDIA DLI 電子證書：
一、 使用 GPU 加速的 XGBoost 演算法進行異常偵測：理解時序資料的預處理方式、XGBoost為何優於其他決策樹演算法並說明超參數與網路最佳化。
二、 使用自動編碼器進行異常偵測：理解自動編碼器如何運用自身之編碼器捕捉原始資料的潛在向量(latent vector)，並使用解碼器來產生仿真資料。使用者可透過重構誤差(reconstruction error)來驗證神經網路學習成效。
三、 使用 GAN 生成對抗網路進行異常偵測：理解為何近年來GAN成為生成學習的主流應用、將GAN用於本課程之異常偵測情境，讓使用者理解使用GAN 的訓練流程與模式崩潰等實務經驗。

課程特色

[Applications of AI for Anomaly Detection]實作課程可由一般桌上型電腦(或筆電)進行各項操作，課程特色如下：

• 簡單的Python程式設計教學：透過NVIDIA雲端環境中的Jupyter Lab互動環境，學生將可由此理解Python程式語言的基本觀念與重要功能。
• 使用 GPU 加速的 XGBoost 演算法進行異常偵測：理解時序資料的預處理方式、XGBoost為何優於其他決策樹演算法並說明超參數與網路最佳化。
• 使用自動編碼器進行異常偵測：理解自動編碼器如何運用自身之編碼器捕捉原始資料的潛在向量(latent vector)，並使用解碼器來產生仿真資料。使用者可透過重構誤差(reconstruction error)來驗證神經網路學習成效。
• 使用 GAN 生成對抗網路進行異常偵測：理解為何近年來GAN成為生成學習的主流應用、將GAN用於本課程之異常偵測情境，讓使用者理解使用GAN 的訓練流程與模式崩潰等實務經驗。

課程表

第一日 6小時

時間	進度	備註
09:50~10:00	報到
10:00~12:00	深度學習簡介 –       AI、神經網路與邊緣裝置發展 –       註冊NVIDIA開發者帳號 –       理解深度學習的發展沿革與實際應用 網路異常封包資料集解析 –       KDD99 資料集簡介 –       常見資料預處理技巧
12:00~13:00	午餐
13:00~15:00	使用 GPU 加速後的 XGBoost 進行網路異常偵測 –       使用 NVIDIA RAPIDS 訓練 GPU XGBoost 模型 –       超參數說明與最佳化 –       訓練二元分類器模型 –       測試與評估
15:20~17:00	XGBoost 模型多類別分類應用 – 模型定義 – 訓練模型 – 測試與評估
17:00~17:10	結語、賦歸

 

第二日  6小時

時間	進度	備註
09:50~10:00	報到
10:00~12:00	使用 自動編碼器進行異常偵測 – 資料預處理 – 編碼器與 latent vector – 解碼器與 reconstruction error – 異常偵測
12:00~13:00	午餐
13:00~14:00	使用 自動編碼器進行異常偵測 (續) – 模型驗證 – 多類別分類應用 – 測試與評估
14:20~17:00	使用 GAN 生成對抗網路進行異常偵測 – GAN 發展緣由與應用 – 生成器網路 – 鑑別器網路 – GAN 的訓練問題與模式崩潰 – 測試與評估 完成並取得NVIDIA DLI課程電子證書
17:00~17:10	結語、賦歸

注意事項：

翰尼斯企業有限公司保留是否受理報名、解釋活動與變更活動的一切權利。