林長鋆老師畢業於清華大學統計所，曾任職於高科技電子製造業，具有七年的科技廠實務經驗，擁有品質技術師（CQT）、品質工程師（CQE）、可靠度工程師（CRE）等專業證照。並授過六標準差之專業訓練，擁有六標準差黑帶證書。曾擔任研發工程師、品保工程師、品保部副課長、生產部課長、品保部副理、總經理室經理。其中有三年半的時間於美國Albert Einstein College of Medicine of Yeshiva University及UT Southwestern Medical Center進行基因及遺傳統計之研究。目前於中興大學統計所任教，主要研究興趣為工業統計、實驗設計、遺傳統計及AI人工智慧。
課程簡介
近幾年來，大數據與人工智慧的興起，傳統之統計方法的課程教學，逐漸進行一些轉型，以符合目前業界的需求，培育出能與產業接軌的資料分析人才。因此，為了加深加廣學生們的資料分析能力，本所新增設一門「人工智慧與深度學習應用」課程。此課程為一門著重於實務分析之課程。課程中包含大量的分析工具與方法。在以往統計相關課程的教學現場中，發現課程的內容範圍包含非常廣泛，學生很難在短時間內，透過傳統的教學學習方式，而完全吸收並充份了解深度學習的方法。為了有效學習，我將此課程分為三大教學階段，如下：
a. 基礎課程：
首先對神經網路做初步的認識與了解。課程內容包含認識神經網路、訓練深度神精網路、自製模型和進行訓練等。
b. 進階課程：
對神精經路有基本的認識後，接著介紹一些常用的深度學習神經網路。課程內容包含摺積神經網路（CNN），遞迴神經網路（RNN）、Attention 處理自然語言等。
c. 高級課程：
最後將介紹更深入的深度學習運用。課程內容包含自動編碼網路、生成對抗網路（GAN）、強化學習等。
課程目標
除了上述逐步加深加廣之教學內容外，深度學習課程還包含了理論，分析，實作三大重點。課程目標如下：
a. 深度學習理論：
學生必需學習如何建構深度神經網路模型，演算法的原理，以及了解數理的參數估計與預測方法。
b. 軟體分析能力：
了解理論之後，必須了解如何使用Python程式語言，來依演算法建構實際的模型。使得學習不只是理論，還能實際撰寫程式語言，使得理論部份實現實際操作之可能性。
c. 實例探討：
深度學習為一非常實務的課程，學生了解上課所學後，還必需有實務分析之能力。本課程將安排實例供學生進行探討，以將所學應用在實際資料中。
適用對象
適用於在學的大學生或研究生，或是已畢業之社會人士。只要對統計學習、AI人工智慧、及資料分析有興趣之學生，或工作上需要之社會人士，皆為本課程之學習對象。
課程特色
為了使學生能有更充份的學習，且能更完整的吸收，必須跳脫出傳統的課堂教學，而採用多元的教學方式，使學生能循序漸進學習。並且理論與實作並重，才有辦法將所學應用到實際案例中。除此之外，若有興趣的社會大眾，也可透過網路自行學習。
課程進度
1.基礎 - 深度神經網路-1
2.基礎 - 深度神經網路-2
3.進階 - 卷積神經網路
4.進階 - 遞迴神經網路
5.進階 - 自動編碼網路與生成對抗網路
6.高級 - 複雜神經網路
學習成效評量
採用線上測驗。共分6大單元。配分分別為每一單元佔1/6
先備知識
機器學習基礎，Python語言基礎。
完成課程即可獲得證書