AIoT top banner

 

AI DL Opencv banner 728x350 1

課程簡介

“We can change the world and make it a better place. It is in your hands to make a difference.”

「我們可以改變世界,讓它成為一個更好的地方。有所作為的關鍵就在你手裡。」


今天,足以改變世界的科技之一就是機器人學。川普當選美國總統以來,高喊製造業重返美國,帶旺機器人相關自動化產業。全球製造中心的中國,同樣積極發展2025年智慧製造計畫,每年的機器人採購量都以20~25%速度增長。在中、美兩大強國與企業的支持下,機器人產業正進入成長起飛期,而相關領域的工作機會更呈現爆發性地增長。


而智慧化機器人一直是全球各家廠商的開發重點,其中AI人工智慧機器視覺技術更是在機器人開發領域中扮演關鍵角色,二者的結合使機器人具有「人腦」思維,變得更聰明,可以執行更複雜的任務,包括取代過去由人工負責的品檢以及肉眼無法檢測的細節,大幅提升工廠生產品質與產線效率。在其他領域,像是智慧家居、自駕車、無人機、安防監控、醫療診斷等,也都有顯著發展。


實務上流程為運用機器視覺技術,搜尋如角點、輪廓等特徵值後,進行資料預處理/前處理,再透過深度學習技術,如CNN(卷積神經網路)、Reinforcement Learning(強化學習)等方法訓練出高準確率模型進行預測應用,最後透過ROS機器人系統開發技術,快速整合各種功能,提升開發的效率。


本課程全程實作導向,由具豐富開發經驗的產業工程師,親自引領你逐步學會機器視覺的實務技巧、AI人工智慧的各種模型、ROS機器人系統開發的關鍵演算法等。完整範例程式碼加上講師詳細講解,幫助你更容易理解各種方法的原理,讓你能夠見樹又見林,了解如何運用其他領域知識來提升學習成效,縮短自學碰壁的時間,能快速掌握技術重點。上機實戰演練,從實做中,讓你自然而然地了解各種技術架構與程式指令,不再似懂非懂。最後真正具備整合OpenCV機器/電腦視覺、AI人工智慧和ROS機器人系統開發的能力,成為職場上無可取代的狠角色。

 

< 課程架構>

pic 01 01 01 01

課程特色

沒有人可以不投注及大量的練習就發展出非凡技能
但是選擇正確的方式可以幫你更有效率地實現目標


為了幫助學員們在有限的時間內,獲得最大的學習成效。本課程是依據<刻意練習>的方式來規劃設計,讓你能透過有目的的練習,真正培養出產業所需的AI智慧機器人開發職能。


特色1:小班制互動教學

堅持良好培訓品質,本課程採小班制教學,讓講師可以兼顧到每位學員的學習需求。透過討論,再加上講師豐富的實務經驗分享,讓學員不但能得到立即性的答覆,更獲得許多實務上的寶貴知識,而這些知識在課本中是學不到的。更棒的是,本課程會依照主題配有隨課助教,讓學員在實作過程中所遇到的問題,像是主題觀念、套件安裝、GPU設定、參數調教、蘋果電腦相容性等問題,都可以立即得到解決,加深學習印象,提高學習成效,不用再把問題帶回家。

 

特色2:產業實務實戰教材

參加本課程的學員背景來自硬體工程師、軟體工程師、中高階主管、專案經理及想投入此領域的轉職者等,都希望透過學會AI智慧機器人開發技術來增加職能競爭力。因此,為了讓學員能與實務接軌,在教材的編撰上,講師精心挑選許多產業實例,像是物件辨識、人臉識別、瑕疵品分析等,幫助學員可以在不同的實務應用中學習解決問題的方法與思維。所有範例都附完整的範例程式碼與說明,讓你可以快速移植架構,縮短開發時間。

 

特色3:目標式實作教學

大腦就像肌肉,找對方法就可以強化它,而「練習」是能力培養成功與否的最重要關鍵。本課程強調"How to",講師為了幫助學員可以清楚地學會各主題的重點,將「目標式實作的教學方式」融入教材設計,以淺顯易懂的觀念,讓你掌握機器學習的核心觀念與技術本質。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,上機實作演練。透過課堂上和課後進行「目標式」的反覆練習,成功將這些知識真正內化成自己的職能。

 

特色4:專業教練式指導

講師具有10多年的開發經驗,是學員在學習的路上,最好的教練。透過課堂上的問題交流,講師會提供你高質量的建議回饋,指出你問題點,引導你思考,並在下一次的練習針對解決此問題。帶你走出學習舒適圈,幫你建立「自我提問」的能力,不斷精準的洞察出自己的問題點,持續調整學習方式來延展自己的能力極限。

 

特色5 : 縮短專案時程,確保產出

對於一般實務開發上常遇到的問題,講師豐富的實務開發經驗能幫助你避開錯誤方向,提高學習效率。在不對的問題上找答案,往往都是徒勞無功。若你正在或是未來將接觸AI或是機器人開發相關工作,實務上可能會遇到的問題也都可以和講師交流討論,將有助於縮短專案時程,確保產出。

學習目標

  1. 理解並能實作數位電腦視覺 (影像特徵提取、特徵強化、輪廓萃取、型態學運算、距離轉換…) 原理應用和活用 OpenCV 函式庫之能力,包含:影像處理、影片(視訊)處理、高階 GUI 工具(圖形互動介面)、Computer Vision 演算法實務等。
  2. 理解實務機器學習演算法,並能從資料預處理、清理資料、抓取特徵、建立與訓練模型、績效驗證與調整參數,進行完整的資料處理流程。
  3. 學會用TensorFlow、Keras完成深度學習架構與實務常見應用方法(CNN、RNN、LSTM、GAN、Transfer Learning等…),實現人臉識別、物件識別、情緒分析等應用。
  4. 學會全球最主流的ROS機器人開發環境實務技巧,並能活用ROS機器人開發的常用套件(mapping地圖構建開源套件、move_base路徑規劃套件)與關鍵演算法(Laser-based SLAM、Navigation…)
  5. 理解AI機器人的開發流程,並具備查找與整合OpenCV電腦視覺、Machine Learning機器學習、Deep Learning深度學習、ROS機器人系統開發等技術資源的能力。

適合對象

  • 對AI智慧機器人開發有興趣或即將投入此領域的您。
  • 即將投入AI機器人視覺應用的工程師或專案人員,像是自駕車、人臉識別、車輛識別、VR/AR、安防、機器人開發…。
  • 正從事AI智慧機器人開發的工程師或專案人員,想了解如何加快開發流程的技術。
  • 想學會AI智慧機器人整合開發演算法撰寫、測試與調校的您。
  • 沒相關背景但對智慧機器人開發有興趣,或是接觸過卻似懂非懂,不知如何開始的學員。

課程大綱

單元1:OpenCV電腦視覺與影像處理實戰
影像處理必懂觀念與作業環境建置教學
  • 影像處理觀念介紹
  • OpenCV介紹與環境建置
    • OpenCV函式庫實務應用說明與演示
    • 環境設置與必會指令實作(最新版本OpenCV-3.3.1)
  • 影像格式與資料結構
    • 影像格式與基本資料型態說明
  • 影像檔案讀取、儲存與影像通道轉換
影像前處理/預處理實戰
  • 電腦視覺觀念說明
  • 像素層級運算 (Pixel Level)
    • OpenCV Data Type結構深入理解
  • 影像前處理 (原理 & 實作)
    • 影像二值化 、閾值分析、影像去雜訊、影像模糊、影像強化、影像縮放、色彩空間轉換等
  • OpenCV 使用者介面事件 (高階 GUI)
    • 滑鼠與滑桿事件處理
  • OSD繪圖與文字處理
  • ROI處理
  • 卷積運算 理論 &實務
    • 型態學運算、輪廓搜尋 & 提取、邊緣偵測
  • 從影像處理到電腦視覺(原理 & 實作)
    • Image Feature Extraction、直線偵測、圓形偵測、角點偵測
  • 從影像處理到電腦視覺(原理 & 實作)
    • 影片資料處理
    • 攝影機取像 、運算 、儲存
  • OpenCV人臉偵測
  • 【專題實作-車牌辨識系統】
    • 手把手帶你打造自己的影像辨識演算法
  • OpenCV版本差異 & IplImage理解+演練
單元2:AI人工智慧實戰
AI利器Python程式語言以及必會函式庫
  • Python實作環境建置
    • Anaconda與Jupyter Notebook安裝與教學
  • 必會之Python入門程式語法與資料格式介紹
    • Python程式實作:程式筆記、數學計算、檔案讀取等
  • 必會之Python資料分析套件實作: Numpy、Pandas、Scipy、Matplotlib等
  • Github使用教學:安裝程序、版本控制等。
資料工程(Data Engineering)
  • 資料工程觀念介紹與流程說明
  • 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 Cleaning)
  • 進階資料處理
    • 資料文法(Grammar of Data)
    • 資料整理套件dplyr
  • 探索性資料分析(Exploratory Data Analysis, EDA)
    • 探索性資料分析說明
    • 程式實作:用matplotlib函式庫實作直方圖、圓餅圖、趨勢圖等
    • 互動式視覺化(Interactive Visualization)
  • 資料科學應用實例:文字探勘 (Text Mining)
    • 自然語言處理概念介紹與自然語言函式(nltk)教學:斷詞、停用詞、n-gram斷詞方法
    • 中文斷詞處理(Jieba)函式庫與頻率分析方法:文字雲建構
    • 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
機器學習導論與重要觀念解析
  • 何謂機器學習?
  • 重要觀念講解:機器學習的實現程序? 監督式學習 ?非監督式學習? 半監督式學習?...
  • 重要名詞介紹: Model、特徵(feature)、標籤(label)、Training Data、Testing Data、Deep Learning、CNN、RNN...
機器學習演算法實作
  • Regression 迴歸
    • Ridge Regression & Lasso Regression
  • 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)
    • 如何縮小均方根誤差(RMSE)? 模型與參數的選擇
  • 機器學習模型訓練資料建立方法
    • 如何避免過擬合(Overfitting) & 欠擬合(Underfitting)
    • 交叉驗證法(Cross Validation)與拔靴驗證法(Bootstrap Validation)
  • 資料標準化(Standardization)說明與標準化套件(StandardScaler)教學
  • 降維(Dimension Reduction) – 主成分分析(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曲線等
  • 分類(Classification):以IRIS、披薩公司資料集進行說明與實作
    • 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)概念解說與程式實作
    • 如何有效進行實驗性設計(Experimental Design)
機器學習專案實務
  • 知名資料競賽平台(Kaggle、天池等)介紹與教戰守則說明
    • Kaggle競賽神器XGBoost
    • Kaggle競賽實例解說
  • 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。
深度學習影像處理觀念介紹與實例演示
  • 常用深度學習硬體與框架
    • Deep Learning常用GPU介紹:Nvidia GTX 1080Ti…
    • GPU配置教學與效能評估
    • 框架介紹(TensorFlow、Keras、CUDA… )
    • Google Colaboratory環境建置與操作
  • 神經網路與深度學習架構
    • 機器學習 vs 深度學習
    • Deeper Neural Network (DNN)說明:
      • Neural Network 的原理與架構:Neuron(神經元)、Perceptron(感知器)
      • Activation Function(激勵函數): Relu、Sigmoid、tanh…
      • Optimization(最佳化):線性回歸、Gradient Descent(梯度下降法)、SGD(隨機梯度下降法) 、Momentum(動量法)…
      • 過擬合(Overfitting)處理:Dropout、Regularization
      • 實戰演練:神經網路實作、MNIST手寫數字辨識、CIFAR-10實作、乳腺癌診斷分析
深度學習之演算法實作
  • 卷積神經網路(CNN):
    • 原理與架構說明: Convolutional Layer (卷積層)、Pooling Layer (池化層)、Fully Connected Layer (全連階層)。
    • 常用模型應用說明:VGG16、VGG19、ResNet50、InceptionV3
    • 其他方法說明:Backpropagation(反向傳播法)、Autoencoder
  • 產業實務介紹
  • CNN與影像辨識實戰:
    • 分類(Classification)
    • 切割(Segmentation)、
    • 定位(Classification + Localization)
    • 物體偵測(Object Detection)
    • 實體切割(Instance Segmentation)
    • 影像辨識專案實作:模型實作(載入模型、訓練模型、新建模型、調整參數、績效評估、Fine-tuning)、圖片辨識、圖片去雜訊
  • 遞歸神經網路(RNN):
    • 原理與架構說明:
    • Gradient Vanish(梯度消失)
    • LSTM(Long Short-Term Memory)模型說明
    • 應用說明:時間序列(Time series)、自然語言處理(Nature language processing)、語音辨識
    • 實戰演練:美國國際航空乘客量分析、情緒分析、中英翻譯
  • 深度學習應用
    • 遷移式學習(Transfer Learning)
      • 原理說明:Keras後端函數應用、反轉梯度
      • 實戰演練:圖像風格化
    • 生成對抗網路(Generative Adversarial Networks)
      • 生成器 (Generator) 和鑑別器 (Discriminator)
      • 改進的版本介紹
    • 強化學習(Reinforcement Learning)
      • 原理說明: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
      • Q-Learning說明
      • 逆向增強式學習 (Inverse Reinforcement Learning)
      • 實戰演練:訓練電腦玩遊戲、機器人運動控制
  • 發展與部署深度學習系統時,在操作層面上的考量 
單元3:ROS機器人系統開發
初探ROS
  • ROS環境建置與必會指令教學
    • ROS機器人作業系統介紹
    • ROS框架與系統架構
    • ROS必會指令教學(Kinetic ver)與實作演練
    • Raspberry pi 3 必會操作 (Ubuntu 16.04 with Mate desktop)
    • ROS系統安裝教學
      • 系統image檔下載與安裝
      • Ubuntu系統測試
      • 無線網路設置與GUI介面安裝
      • 遠端控制設定
    • 開發環境建置教學
      • 設定roscd路徑
      • 測試ROS node
      • 安裝基礎套件(libserial、ros_control)
      • 常見問題與解決方案說明
ROS實務演算法實作
  • Laser Based 2D SLAM 演算法實戰
    • Gmapping (地圖構建開源套件)教學
      • Gmapping操作與介紹
      • Gmapping應用說明與實作演練
    • Hector SLAM教學
      • Hector SLAM演算法原理解析
      • Hector SLAM應用說明與實作演練
  • 常見2D SLAM & Estimation 演算法實戰
    • 常見演算法介紹(Hector SLAM、Gmapping、KartoSLAM、CoreSLAM、LAgoSLAM…)
    • 演算法比較與數學式解析
    • 演算法實作演練
  • Navigation Stack Setup
  • Navigation演算法架構講解
  • Localization
    • AMCL(adaptive Monte Carlo localization)原理與應用說明
    • AMCL實作演練
  • System overall integration
  • 演算法相關重要參數
    • 測試與優化
  • 專案實務開發常見問題與解決方案說明

PS.實戰演練的範例將會依據產業界的技術現況進行調整。

艾鍗師資群介紹

teacher

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

teacher

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

teacher

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機器人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

teacher5

S.Liu

  • 中正大學電機工程碩士 ▪ 國內記憶體龍頭廠:研發技術副理
  • 知名新創影像分析公司:技術顧問/電腦視覺科學家
  • Computer Vision / OpenCV影像處理與電腦視覺 / 嵌入式Linux系統 / C/C++ / GPGPU 技術 (nVidia CUDA)

teacher

Bob Shih

  • 中央大學太空所碩士
  • 知名上市電子消費品大廠影像事業部研發工程師
  • ROS機器人開發 / 無人機韌體開發 / OpenCV影像處理與電腦視覺開發 / Linux嵌入式系統

teacher

Jay Hung

  • 台北科技大學機電整合研究所碩士
  • 知名上市電子消費品大廠軟韌體研發部研發工程師
  • ROS機器人開發 / OpenCV影像處理與電腦視覺開發 / Linux嵌入式系統 / 機器學習 / 深度學習
產業實例

● All Best Advanced Humanoid Robots

● BostonDynamics

● Vision-free MIT Cheetah

● 智慧工廠新變革! 機械手臂智能再進化

延伸學習

 

 

 

 

 

ROS class link 01 01 01 01linux_728x90

MCU_728x90

FPGA_728X90

EC_728X90

PCB_728x90

課程諮詢

 歡迎企業包班內訓,立即洽詢(02)2316-7736!!

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AI智慧機器人開發之路,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!

 

常見問題

1.如果是非理工相關背景的學員可以參加本堂課嗎?

共享經濟時代來臨,除了本業,你還擁有什麼?除了職稱,你還有沒有比名片更亮眼的故事?不是迫於生存,而是不甘平庸!越來越多人不再滿足於單一職業和身分的束縛,AI智慧機器人風潮席捲,越來越多非理工背景的產業菁英投入AI智慧機器人技能的培養。本課程以模組實作式的教學,透過每次的原理講解與實作,循序漸進地帶你自然而然地學會個階段技能。透過講師的豐富經驗,幫助你節省寶貴時間,快速跨越自學的障礙。只要你能配合老師的教學安排,勤加練習,不怕學不會。

2.不會寫程式可以參加本課程嗎?

程式是幫助你實現想法的工具,根據許多程式高手的經驗分享,想學好程式,從你有興趣的應用開始,是最有成效的。如果你對電腦視覺與影像處理的領域有興趣,本課程的每個練習都附有完整的範例碼,講師也會清楚地講解重要的觀念,讓你從實作中,逐漸了解各種應用內涵,幫助你自然而然地學會程式語言。若你還想學習更深的程式技能,課程顧問也會協助你挑選最合適的方案。只要你願意全心全意地學習,在艾鍗專業的教學安排下,不怕學不會。

3.為什麼要參加本課程?

不論在人工智慧領域,或是機器人開發領域,雖然許多技術都是open source(開源),坊間也有許多相關書籍可以閱讀,然而這些知識都是散亂、未經整理的。若無相關的背景知識,你在自學上可能會不小心選到一條更花時間的路、可能會遇到見樹不見林的困境、可能無法了解到運用其他的領域知識來加速學習效率,最後只能隔靴搔癢,無法深入掌握技術內涵,也就無法徹底地學會這些技術。

所以由具豐富開發經驗的產業工程師,親自引領你逐步學會機器視覺的實務技巧、AI人工智慧的各種模型、ROS機器人系統開發的關鍵演算法等。透過完整範例程式碼加上講師詳細講解,幫助你更容易理解各種方法的原理,讓你能夠見樹又見林,了解如何運用其他領域知識來提升學習成效,縮短自學碰壁的時間,能快速掌握技術重點。上機實戰演練,從實做中,讓你自然而然地了解各種技術架構與程式指令,不再似懂非懂。