AIoT top banner

 

 

mbed bigdata
課程特色 學習目標 課程介紹 課程大綱 課程Q&A 課程諮詢 會員優惠

艾鍗獨家,用物聯網實務,讓您快速學會Web整合機器學習技術!

 

為什麼要學習物聯網與機器學習的技術

 

arm mbed Architecture

 

台積電董事長張忠謀指出「下一個big thing為物聯網,將是未來五到十年內,成長最快速的產業,要好好掌握住機會。」而物聯網真正的價值來自於資料及服務!而這些資料的呈現、控制及整合普遍透過Web,因此具備物聯網Web整合能力,有助於整合來自四面八方的感測器數據,提升整體專案上的開發效率。同時,AI時代的來臨,機器學習的相關技術日趨成熟。因此,具備機器學習的能力,能進一步將這些資料,透過相關模型進行預測,挖掘數據背後意義,對於決策制定、產品或服務的優化都將帶來很大的幫助。不論您是專案經理、工程師或是其他角色,這堂課將是您,最好、也是唯一,培養IoT(物聯網)與Machine Learning(機器學習)二大關鍵能力的捷徑。越早學會,您能創造的職場身價也將越高。

課程特色

原廠認證

這是由ARM mbed團隊所共同合作的物聯網平台培訓計畫。

 

快速上手

以"How to do"與"Trial and Error"的訓練方式,快速打造物聯網中的Web前後端整合應用及周邊驅動方法、ARM mDS雲端平台的連接與機器學習技術。

 

獨家開發套件

用Raspberry Pi3搭配上艾鍗最新獨家研發的V3.0子板,讓您更深入了解數據傳輸原理與平台開發應用。

Raspberry Pi子卡v3 0介紹

 

專業師資

具15年專案經驗講師,透過主題式Lab及系統化教學方式,學習事半功倍。

728x90企業預付 1

 

學習目標
Part 1 : IoT Web整合應用實作
  1.能了解物聯網IoT 架構,包含物聯網感知層、物聯網網路層、物聯網應用層。
  2.了解物聯網中M2M通訊協定並如何實現-MQTT、CoAP。
  3.學會擷取感測器訊號與輸出入控制。
  4.快速學會Node.js開發方法,能開發一個Web-Based IoT平台:掌握Web前端與後端的通訊能力(AJAX,WebSocket)。
  5.了解 ARM mbed Cloud 平台-mbed Client API與mbed device connector API。
 
Part 2 : Python機器學習與深度學習應用
  1.學會運用Python矩陣計算與資料處理相關模組(如 Numpy、Pandas、Scipy等)和繪圖套件(Matplotlib)。
  2.了解Regression、Classification、Clustering 相關演算法原理
  3.會用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Neural Network 等等Machine Learning 的實作。
  4.會用Keras/TensorFlow 進行DNN、CNN、RNN實作。
  5.掌握機器學習的演算法後,能套用在資料探勘、電腦視覺、自然語言處理、語音和手寫識別等技術領域上。
 

課程介紹

從實作中認識物聯網!

本課程將採用Node.js撰寫WebAPP,使用HTTP/RESTful API存取Resource。在實作WebAPP中,除了後端Node.js,你也將會看到後端如何與前端瀏覽器之間要如何溝通的方式,如AJAX或WebSocket。課程使用Raspberry Pi結合ARM mbed Cloud來實現一個物聯網解決方案。你會了解M2M(Machine-to-Machine)網路協定,包含CoAP、MQTT、LWM2M等協定,並藉由Raspberry Pi連接 Cloud。 Raspberry Pi的部份教你連接一些感測器,包含GPIO、數位界面I2C的溫溼度感測器、類比感測器如光感應器等,並將這些感測器成為定義為不同的Resource Path並註冊在mbed cloud中。

 

一次整合前後端的程式語言-Node.js

Node.js最大的特色就是可以在伺服器端執行JavaScript。也就是說,前端工程師可以單純地使用一種語言(JavaScript)完成前後端的Web Application開發。目前Node.js增長的很快,每年增長率達到100%,全球已超過數千家公司引入Node.js在自身產品中,如Google、IBM、Microsoft、Paypal、Alibaba等企業。

 

物聯網中Web APP整合與大數據分析的重要性

物聯網真正的價值來自於資料及服務。雲端是由設備或是連網端點收集來的數據(Machine Data)儲存的地方,系統必須同時具備將時間序列的數據轉換為可以被行動應用存取的數據型態,藉此連接Web APP,並透過大數據分析與機器學習的技術,覺察數據背後的意義,產出洞見來掌握可獲利的服務或商業模式。

 

從實作中活用Python數據分析模組、實務統計與機器學習技術

摒除深奧難懂的數學公式,以淺顯易懂的方式,讓你能掌握機器學習最核心的觀念與技術本質。為了提升學習的"有感度",於每一個原理和演算法解說後,都會搭配實際程式範例,來進行上機實作演練。透過講師Step by Step講解,你將可以快速學會數據分析與機器學習的應用方法,包含爬資料、資料重構資、模型建立與優化及分析預測。不再讓您上完課,好像知道很多東西可是卻又不知道從何開始。

相關詞:IoT、物聯網、WoT、Raspberry Pi、ARM mbed、CoAP、MQTT、LWM2M、WebAPP、RESTful API、Node.js、AJAX、WebSocket、JavaScript、JQuery、MongoDB、NoSQL、Big Data、大數據、Machine Learning、機器學習、Python、Pandas、SciPy、scikit-learn、SQL、AWS、Spark、Github、Exploratory Data Analysis、探索性資料分析、Regression、迴歸、Classification、分類、Support Vector Machine、支持向量機、Decision Trees、決策樹、Random Forests、隨機森林、Ensemble Methods、整體性方法、Best Practices、最佳實踐、MapReduce Combiners、Bayesian Methods、貝式方法、Text Mining、文字探勘、Interactive Visualization、互動式視覺化、Clustering、集群、Experimental Design、實驗性設計、Deep Networks、深度學習
適合對象
1.想了解IoT(物聯網)完整解決方案的研發工程師、專案經理或技術評估者。
2.想運Web整合與機器學習兩大技術提升專案開發效益之開發者。
728x90企業預付 1
職涯方向

 

IoT 系統整合工程師 / ARM mbed 工程師 / MCU軟體工程師 / 前端工程師 / 後端工程師 / 全端工程師/數據分析師/專案經理
 
師資陣容
 
teacher4

Joseph

台灣大學電機工程系博士研究

上市網通科技公司 / 資深軟體工程師

嵌入式Linux系統 ARM Boot Loader / 資料結構及演算法 / PCB LayoutMCU 韌體設計 /  Linux 驅動程式 / Linux系統程式 / 網路通訊協定

teacher1

Elvis Wu

美國聖路易大學生物資訊博士 / 交通大學交通運輸 & 資訊管理研究所碩士

知名國際3C製造大廠人工智慧研發部門主管

生物資訊 / 自然語言處理 / 統計推論 / 科學計算 / 數據科學 / 資料探勘 / 數值最佳化 / 資料庫 巨量資料處理 / 機器學習

teacher1

Jeffery Lin

台灣大學土木工程研究所博士 / 成功大學土木工程研究所碩士

知名上市資訊科技大廠大數據部門研發主管

類神經網路 / 基因演算法 / 最佳化演算法 / 結構力學 / 有限元素法 / 生醫影像處理

teacher1

Tim Liu

輔仁大學應用科學與工程研究所博士 / 輔仁大學電機研究所碩士

知名上市電子消費品大廠AI研發部門資深工程師

機器學習 / 機器人開發 / 密碼學 / 影像壓縮 / 數位訊號處理 / 生醫資訊/生醫影像處理

能把一門技術深入淺出地講解清楚是講師十年功力的深耕

課程大綱

 Part 1 : IoT Web整合應用實作

M2M 協定
主題 內容
物聯網導論
  • 物聯網導論
    • 課程介紹與學習地圖
    • 什麼是物聯網
    • IoT系統架構
M2M 協定
  • CoAP
    • IoT架構標準
    • CoAP協定
    • CoAP Lab
  • MQTT
    • MQTT協定
    • MQTT Lab
Web 網頁前端程式開發
  • Web基礎概念
    • Web 技術前端技術架構簡介
    • HTML 簡介與Tag 概念
    • CSS 簡介與Style 屬性
  • JavaScript程式設計
    • 關於JavaScript
    • 開發方式與除錯方法
    • JavaScript 操作HTML DOM & Browser Object Model
    • JavaScript 變數 & 基本資料型態
    • JavaScript運算式與運算子
    • JavaScript物件 型態
    • JavaScript陣列 型態
    • JavaScript函式
    • call by value & call by reference
    • Self-Invoking Functions
    • Nested Function
    • Function Closures
    • JavaScript 數值處理與型別轉換
    • JavaScript Array Methods
    • push , pop, split, map ,…
    • JavaScript Timing Events
    • JavaScript類別定義 (Object with property and method)
    • JSON資料格式與處理
    • Image Map
  • 使用JQuery
    • JQuery 簡介
    • JavaScript vs JQuery
    • JQuery selectors
    • JQuery操作HTML DOM
    • JQuery操作CSS
    • JQuery Form表單處理
    • HTTP GET vs HTTP POST
    • JQuery AJAX
Node.js Web 後端程式開發
  • 關於Node.js
    • 非同步式 I/O 與事件式程式設計
    • 安裝Node.js
    • Node Package Manage-npm
    • 製作package.json
    • 我的第一個node.js "Hello world"
    • Node.js HTTP 請求與回應
    • Node.js 處理HTTP Get & Post
    • Express HTTP Server提供靜態檔案
    • 用Express處理HTTP Get & Post
    • Node.js 其他模組
  • The WebSocket Protocol
    • 各種Web 通訊方法
    • Long Polling技術
    • Lab:實驗: Websocket 前後端通訊
    • Lab:實驗: 建立多人聊天室
  • MongoDB
    • MongoDB 簡介與使用
    • Node.js 操作MongoDB
    • Lab實驗: 使用Node.js 進行新增/查詢/更新/刪除 MongoDB
  • HTML Template Engine
    • Why use Template Engine ?
    • Handlebars.js Template Engine
    • Handlebars.js 的運作流程說明
    • Client Side HTML範本引擎 (Template Engine)
    • 實驗 Handlebars.js
  • Node.js-based IO
    • Node.js-based GPIO Helper for Raspberry Pi
    • Node.js-based Serial Port (UART) 序列資料讀取
      • Node.js 讀取Micro:bit 資料使用序列界面
      • Canvas.js 動態折線圖
      • 使用瀏覽器顯示Micro:bit狀態(A,B按鍵與加速度計值)
ARM mbed 物聯網平台實戰
  • ARM mbed 物聯網平台實戰
    • ARM mbed Device Sever 簡介
    • mbed client 編譯
    • mbed client程式架構解說
    • mbed API( Node.js 語言)
    • Demo: ARM mbed project + Raspberry Pi
物聯網感知層開發:Raspberry Pi 3 I/O 裝置控制
  • Raspberry Pi 使用
    • Raspberry Pi 3 簡介
    • Raspberry Pi 使用 (包含Linux系統檔案系統與常用指令說明)
  • 數位介面
    • 感測器介面與Pi子卡介紹
    • 數位感測器讀取
    • GPIO
    • 使用BCM2835 Peripheral Library
    • LED, Button, PIR, Relay
    • I2C 工作原理
    • I2C OLED (SSD1306Z)
    • I2C G-Sensor (LIS3DH)
    • SPI 工作原理
    • PWM (SG90伺服馬達控制)
  • 類比界面
    • ADC (MCP3008) 使用SPI界面
打造自己的IoT:物聯網專題實作
  • Node-Red

 

Part 2 : 機器學習與深度學習實戰

※若您無任何程式基礎或想再次加強Python程式語言的基礎概念,艾鍗學院提供您Python基礎程式先修超值方案,讓您快速學會Python基礎程式語法。

資料工程實戰

主題 內容
資料科學利器Python程式語言以及必會函式庫
  • Python實作環境建置-Jupyter Notebook功能教學
  • 基本Python程式語言操作、資料格式
  • Python常用工程計算函式庫: Numpy、Pandas、Scipy
  • Github使用教學
資料工程(Data Engineering)
  • 什麼是資料工程:資料工程簡介與資料工程的流程
  • 基本資料採集與預處理-使用Pandas
    • 資料檔案採集(Scraping)、網路資料採集(Web Scraping)
    • 資料格式的正規表示式(Regular Expressions)
    • 資料重塑(Reshaping)
    • 資料清理(Data Cleanup)
  • 進階資料處理
    • 結構式查詢語言(SQL) 簡介與實例操作
    • 資料整理套件dplyr介紹,及其資料文法(Grammar of Data) 簡介與實例操作
  • 探索性資料分析(Exploratory Data Analysis, EDA):運用視覺化、基本統計等工具,先「看」一下資料
資料視覺化
  • 資料視覺化:使用matplotlib函式庫實作各類顯示圖表,例如:直方圖、圓餅圖、趨勢圖、樹狀圖等
  • 互動式視覺化(Interactive Visualization)
資料科學應用實例
  • 文字探勘 (Text Mining)實例
    • 自然語言處理概念介紹:斷詞、停用詞、n-gram斷詞方法
    • 利用中文斷詞處理(Jieba)函式庫與頻率分析方法,進行文字雲的建構
    • 利用機率的概念,決定文字的關鍵字、並利用關鍵字進行初步的文章分類
  • 統計方法與機率分佈概念介紹

機器學習實戰 

主題 內容
Introduction to Machine Learning
  • 何謂機器學習? 
  • 機器學習的實現程序? 監督式學習 ?非監督式學習? ...
  • 名詞介紹: Model、特徵、標籤、Training data 、 Testing data、Deep Learning、CNN、...
Machine Learning I: Regression

機器學習實作是以Scikit Learn、Spark 為主

  • Regression 迴歸
  • 評估機器學習模型的好壞
    • 定義損失函數(Loss Function)
    • 均方根誤差(RMSE)
    • 梯度下降演算法(Gradient Descent)
    • 如何縮小RMSE ? 模型與參數的選擇
  • 機器學習模型訓練資料建立方法
    • 如何避免 Overfitting ? Underfitting
    • 交叉驗證法(Cross Validation)
    • 拔靴驗證法(Bootstrap Validation)
  • Dimension Reduction - PCA
  • 判斷模型預測能力的方法
    • 混淆矩陣、準確率(Precison)、覆蓋率(Recall,也叫作召回率)、皮氏F-分數(Piotroski F-Score ,FSC)、ROC曲線、AUC曲線
Machine Learning II: Classification & Clustering
  • 分類(Classification)
    • 單純貝式分類器(Naive Bayes Classifier)
    • 機率生成模式(Probabilistic Generative Model)
    • 羅吉斯迴歸(Logistic Regression)
    • 決策樹(Decision Trees)
    • 隨機森林(Random Forests)
    • 支持向量機(Support Vector Machine)
    • 最近距離分群法(KNN)
  • 分群(Clustering)
    • K-means
  • 整體性方法(Ensemble Methods)概念解說與實作
  • 如何有效進行實驗性設計(Experimental Design)
  • Spark平台介紹與開發環境建立實作
    • MapReduce演算法與Hadoop簡介
    • 在Windows與Ubuntu上安裝Spark
    • 學習如何在Spark上使用Scikit-learn機器學習套件
專案實務
  • 本課程的實戰專案將以BOSCH實際釋出的生產線大數據資料進行分析,學員可以一步一步從特徵選取工程實作機器學習的各項過程,選取適合的機器學習方法進行機器學習模型建構,並應用效能評估方法與交叉驗證方法增強模型的有效性。
    • 專案目標一: 利用迴歸方法建立初步的良率出影響良率的因子以及預測準度。
    • 專案目標二: 利用其他的機器學習方法,包括單一 的機器學習方法或是多個機器學習方法整合,有效地找出影響良率的重要因子與預測準度。

深度學習(Deep Learning)實戰 

主題 內容
深度學習實戰

深度學習實作是以 Keras、TensorFlow 深度學習平台為主

  • 深度學習架構
    • Deeper Nerual Network (DNN)
      • Nerual Network 的基本原理與架構
      • Activation Function: Relu, momentum, .
      • Batch size ? Epoch ? overfitting? Droput
      • 實戰演練
    • 卷積神經網路(CNN):
      • 卷積層(Convolutional layer)及池化層(Pooling layer)
      • 影像處理(Convolutional Networks and Image Processing)應用
      • 實戰演練
    • 遞歸神經網路(RNN)
      • 時間、序列與重複性網路
      • 時間序列(Time series)、自然語言處理(Nature language processing)、語音辨識
      • 實戰演練
  • 深度學習應用
    • 生成網路(Generative Networks)
      • 生成器 (Generator) 和鑑別器 (Discriminator)
      • 改進的版本介紹
    • 強化學習(Reinforcement learning)
      • 自動進行決策,並且可以做連續決策
      • 四個元素,agent,環境狀態,行動,獎勵
      • 逆向增強式學習 (Inverse Reinforcement Learning)
  • 代理人技術與增強式學習(Agents and Reinforcement Learning)
  • 發展與部署深度學習系統時,在操作層面上的考量

 

OPENCV A 728X90

 

課程搶先看

PartIII- Node.js WebSocket 課程影片(截錄)

ARM mbed cloud 物聯網整合應用 (Demo)

無線感測網路(WSN)進行遠端家電控制

   ▪ IoT核心精神是什麼呢?

「智慧服務」是物聯網時代中重要的核心精神,只要能掌握「硬體+」思維,利用大數據與機器學習系統創造硬體之外的服務價值,即能在物聯網時代中建立優勢。 「物聯網關心的是,當把物聯起來之後,有什麼新的服務可以出現?更重要的是,如果那些新的服務不重要,那些『物』都不再重要,那麼『物的聯網』就更不重要。」

 

   ▪ IoT智慧服務關鍵是什麼呢?

Google台灣董事總經理簡立峰認為,「大數據」與「機器學習」是未來能創造物聯網時代各種智慧服務的關鍵。若只單純做硬體、搞技術,卻沒有利用大數據、機器學習來創造服務價值,那就是辛苦搭了舞台,只能讓別人來玩。

 

   ▪ 發展IoT智慧服務,台灣的機會在哪呢?

消費性產品的競爭太激烈,比財大、比氣長,就連大型的電商業者,如美國的亞馬遜、中國的京東,都有機會在智慧家庭分一杯羹;反之,企業端、工業端的B2B服務,則相對有可能做出差異化。舉例而言,一家連鎖餐廳的中央廚房、烤爐器具、收銀機等等,如何透過硬體、軟體、雲端平台的整合,讓中央廚房與消費者可以串連,台灣的工業電腦供應鏈在此可以有很多發揮空間,做出別人學不來的「Total Solution」,「這是服務業的概念,而且是高階服務業,不用怕大者恆大!」

 

   ▪ 為什麼要學習IoT雲整合與機器學習呢?

當你開發出物聯網裝置後,你一定希望透過數據的傳輸來掌握一些現象或是驅動一切功能,而數據是否能穩定傳輸是個關鍵。實務上,數據的傳輸常常會受到防火牆影響,所以學會IoT雲整合技術將能更輕鬆地傳輸資訊而不受防火牆所擾。而蒐集到的數據並須透過分析才能展現數據背後的意義,作為開發者進行產品或服務優化的依據。而學會機器學習的技術,在處理物聯網世界中的海量數據才會更有效率,其預測將會更準確,降低決策風險。

 

   ▪ 為什麼要選擇用Raspberry Pi來學習IoT雲整合與大數據分析技術呢?

Raspberry Pi 是一片Linux-Based的開源硬體板子,其硬體線路 & SoC DataSheet的揭露相較其他板子算是相當完整,Raspberry Pi 3 具有Wi-Fi和BLE, 所以學習物聯網相關的技術,如 IoT Gateway、Sensor Node設計等,硬體支援度也相當好。透過Raspberry Pi 3 ,你不但能學會硬體驅動相關實務功能,也能了解到數據傳輸實際運作,更能對你所蒐集到數據進行機器學習,作為優化產品與服務的依據。

 

   ▪ 艾鍗獨家研發Raspberry Pi I/O V3擴充板有什麼特色呢?
 Q05 1
IO V3
checked 內建ADC晶片,可讓Raspberry Pi3連接類比感測器。
checked 具硬體PWM訊號腳及驅動電路,使Raspberry Pi3可以直接連接DC馬達與伺服馬達。
checked 內建PL2303晶片,可直接連接PC的USB當作Debug Console。
checked 內建IR紅外線發送器及接收器,讓Raspberry Pi3當作多媒體的應用平台或IR遙控器。
checked 可連接OLED顯示狀態資訊。
checked 可連接光敏電阻進行光度感測。
checked 可連接2.4GHz無線網路模組進行無線通訊。
checked 內建G-Sensor可感測Raspberry Pi3在X, Y, Z軸方向的移動狀態。

 728x90企業預付 1

上課花絮

 

有口皆碑 班班爆滿

                          ◎艾鍗講師關心每一位學員的學習狀況,並於空檔個別指導。真正專業,不怕你問!

 

商業實例與延伸學習

組合式學習,成效更高。加入會員,讓您省更多,學習更全面。

智慧零售:亞馬遜Amazon GO的無店員商店 智慧金融:AI時代!金融業掀起"智能交易"新風潮

#嵌入式Linux開發實務

#OpenCV電腦視覺與影像處理實務

#嵌入式Linux開發實務

#深度學習實戰

智慧工廠:台灣最大飲料杯廠 運用大數據效率生產 智慧車輛:ADAS先進駕駛影像辨識系統

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#ARM mbed物聯網整合應用

#深度學習實戰

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#ARM mbed物聯網整合應用

#深度學習實戰

智慧家居:「物聯網」打造智慧家居 智慧能源:"智慧電網"管理 電力更穩又節能

#嵌入式Linux開發實務

#MCU韌體開發實戰

#OpenCV電腦視覺與影像處理實務

#ARM mbed物聯網整合應用

#深度學習實戰

#AIoT智能物聯網平台開發人才養成班

#嵌入式Linux開發實務

#MCU韌體開發實戰

#ARM mbed物聯網整合應用

#OpenCV電腦視覺與影像處理實務

#深度學習實戰

#AIoT智能物聯網平台開發人才養成班

智慧醫療:智慧醫療眼鏡 遠端遙控縮手術時間 智慧城市:智慧城市終結塞車

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#深度學習實戰

#醫療電子產品開發人才養成班

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#深度學習實戰

#AIoT智能物聯網平台開發人才養成班

組合式學習,成效更高。加入會員,讓您省更多,學習更全面。

 728x90企業預付 1

 

課程諮詢
stevejobs

Steve Jobs:

你想下半輩子繼續...還是抓住一個改變世界的機會

 

名額倒數中,報名請早以免向隅!!

在一個快速變遷的世界裡,確定會失敗的唯一策略是:不冒險。如果你欣然擁抱趨勢,踏向偉大的全方位IoT工程師修練之路,風向也會幫你一把。搭上艾鍗學院的學習列車,不可思議的旅程,從此開始若您希望對本課程有更多了解,歡迎留下您的資料,或撥服務專線(02)2316-7736,艾鍗學院將竭誠為您服務喔!另有企業包班方案,歡迎洽詢。

 

 

業界派訓,包班首選

卓越企業不但追求技術,更要求速度!
艾鍗學院為了隨時掌握產業的變化並跟上技術需求,設有教學研發團隊,以提供新技術、高品質的課程服務,有效率地訓練出業界需要的人才!感謝緯創資通、奇美電子、浩鑫、台達電子、新普、英業達、精英電腦、微星、金士頓、圓剛、鈊象電子、益登科技、廣達電腦、德州儀器、系微、AMI等80多家企業選擇艾鍗培訓。

enterprise

new02