
影像辨識領域是近年來深度學習最蓬勃發展的一塊領域,舉凡智慧家居、自駕車、生產瑕疵品檢測、安防監控、醫療影像等應用,都和深度學習影像辨識技術息息相關。而如果想從深度學習中的影像辨識模型得到一個理想的結果(高準確率),影像資料的預處理/前處理,是非常重要的關鍵之一。有效的影像前處理/預處理,意味著透過專業的影像處理技巧,降低影像中的雜訊(noise),讓模型進行特徵提取時能更精準,降低運算資源的負擔,模型的精準度才會高。
本課程全程實作導向,引領你學會必備的深度學習與影像處理核心觀念與應用技巧,一步步範例講解與實戰演練,教你如何運用深度學習的CNN、YOLO等演算法來進行影像偵測、識別等高階影像應用。課程帶你掌握概念、上機演練程式碼,並由業界一線講師群分享AI應用經驗,將幫助你更容易理解各種AI方法的原理,不再似懂非懂,而是能快速將所學到的技術應用在自己有興趣的AI視覺處理領域。
特色一:用實作讓你對影像辨識的技術豁然開朗
本課程強調"How to",用一些明顯易懂的觀念,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,你將可以快速學會電腦視覺與深度學習的應用方法,包含影像處理、影像變換、特徵檢測與影像辨識等。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。
特色二:縮短專案時程,確保產出
影像辨識在電子、資訊、金融、零售、醫療、通訊、物流等領域如火如荼的發展,你都可能透過深度學習解決過去難以解決的影像辨識問題。然而這些演算法也並非就是萬靈丹,尤其在資料科學領域,在不對的問題上找答案,往往都是徒勞無功。也許您正在或是未來將接觸AI相關工作,實務上可能會遇到的問題也都可以拿來和講師多交流討論,也將有助於縮短專案時程,確保產出。
特色三:產業AI工程師實務親授
本課程由業界資深工程師親授,將多年的實務開發經驗淬鍊在教學內容中,幫助學員快速掌握技術關鍵,跨越自學卡關的障礙,節省寶貴時間,能迅速投入於你有興趣的電腦視覺領域,像是ROS機器人開發、自駕車演算法開發、醫療影像識別等。

- 了解機器學習的核心觀念與常見的分類演算法。
- 會使用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Neural Network等機器學習實作。
- 了解深度學習的核心觀念、工作原理及各種訓練技巧。
- 會使用Keras/TensorFlow 進行DNN、CNN、RNN/LSTM、GAN、遷移式學習等深度學習演算法實作。
- 了解CNN模型與工作原理並能實作CNN影像分類與進階技巧。
- 熟悉數位影像於電腦中的表現形式,包含:儲存格式、讀取及寫入、像素運算。
- 理解數位影像處理原理並能實作,包含:影像去雜訊、影像品質增強、影像重採樣(降維/增維)。
- 理解數位電腦視覺原理並能實作,包含:影像特徵提取、特徵強化、輪廓萃取、卷積運算、型態學運算。
- 充分活用 OpenCV 函式庫,包含:影像處理、影片(視訊)處理、高階 GUI 工具(圖形互動介面)、Image Processing 演算法實務、Computer Vision 演算法實務。
- 主題實戰-AOI測量、醫學影像應用、視訊處理與視訊穩定、圖片辨識、物件辨識等。
※ 完訓後提供結業證書,豐富個人履歷即戰力

- 對電腦視覺與深度學習有興趣者
- 即將投入深度學習電腦視覺應用的工程師或專案人員,欲將電腦視覺深度學習方法應用在工作上 ,像是AOI(自動光學檢測)、無人駕駛、人臉識別、車輛識別、VR/AR、安防、機器人開發…
- 正從事深度學習的電腦視覺應用的工程師或專案人員,想了解如何加快開發流程的技術
- 想學會電腦視覺演算法撰寫、測試與調校的您
- 沒相關背景但對電腦視覺有興趣,或是接觸過卻似懂非懂,不知如何開始的學員
- 本課程沒有高深複雜的數學原理,只要具備簡單高中數學基礎即可,依照老師教學進度Step by Step學習,就可以自然而然地學會影像辨識的觀念與技術
➢機器學習實戰是以Scikit Learn為主,搭配Python範例程式碼講解
- 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、半監督式學習
- 機器學習3大要素:Representation、Evaluation、Optimization…
- 重要名詞解說: Model、特徵(feature)、標籤(-Label)、Training data、Testing data、Overfitting…
-
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)
-
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)
-
資料前/預處理基於機器學習中之應用

- 資料標準化(Standardization)
- 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
- 混淆矩陣、準確率(Precison)、覆蓋率(Recall,也叫作召回率)、
- 機器學習演算法實作 – 監督式學習
-
Regression迴歸

- 多變量迴歸
-
Classification分類

- 羅吉斯迴歸(Logistic Regression)
- 決策樹(Decision Trees)
- 支持向量機(Support Vector Machine)
- 最近距離分群法(KNN)
-
- 機器學習演算法實作 – 非監督式學習
-
分群(Clustering)

- K-means
-
➢深度學習實戰是以 Keras、TensorFlow 深度學習平台為主
- 深度學習導論
- 人工智慧 vs 機器學習 vs 深度學習
- DL框架介紹(TensorFlow、Keras、Pytorch… )
- Google Colaboratory 教學
- 神經網路與深度學習架構
-
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)
- 過擬合(Overfitting)處理:Dropout
- 存入與讀取模型(model)與權重(weights)
- 主題實作:神經網路實作、MNIST手寫數字辨識、CIFAR-10實作
-
- 常見深度學習模型解說與演練
-
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
- CNN與影像辨識實務應用說明:分類(Classification)、Semantic按語意切割(Segmentation)、定位(Classification + Localization)、物體偵測(Object Detection)、實體切割(Instance Segmentation)。
- 主題實作: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
-
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
- Early Stopping
- 應用說明:自然語言處理(Nature language processing)、詞向量(word vector / word embedding)、時間序列(Time series)
- 主題實作:詞性標註、情緒分析、多維連續資料預測
-
遷移式學習(Transfer Learning)

- 原理說明:Keras後端函數應用、反轉梯度
- 主題實作:南瓜/西瓜/蕃茄辨識
-
生成對抗網路(GAN,Generative Adversarial Networks)

- 生成器 (Generator) 和鑑別器 (Discriminator)
- 改進的版本介紹:DCGAN(Deep Convolutional Generative Adversarial Networks)
- 推薦系統(Recommender Systems)
- 發展與部署深度學習系統時,實務上的考量
-
- 深度學習應用主題解說
-
物件辨識實作(object detection)

- 影像Lable方法解說
- YOLO模型教學
- YOLO模型實作解說
-
聲音訊號處理

- 降噪演算法實作解說
-
交通號誌辨識

- 使用OpenCV進行影像預處理(通道轉換、標準化、資料增加…)
- CNN model實作解說
-
人臉辨識

- 人臉偵測 mtcnn(Multi-task Cascaded Convolutional Networks)、opencv、dlib套件解說
- 資料前處理:人臉轉換、對齊與裁剪… 人臉特徵擷取(使用FaceNet的模型與演算法)
- 人臉特徵比對 (使用LinearSVC的分類演算法)
-
在iPhone上用YOLO model實現人臉偵測

- iOS開發介面簡介
- YOLO model 移植教學
-
不均衡數據處理與奇異值分析(novelty detection / Outlier Detection)實作

- 產線數據分析與課程所學之應用設計
-
※ 以上所列之深度學習應用主題,每梯次選用可能不同
- 影像處理概述
- 數位影像的生成與結構
- OpenCV 基礎認識
- OpenCV可以做什麼
- 函式庫的組成及內容
- 環境配置
- IDE + CV Library
- 初試啼聲
- Hello OpenCV
- 影像格式與資料結構
- 影像格式
- 基本資料型態
- 影像檔案讀取、儲存
- 影像通道轉換
- 色彩空間轉換 (原理 & 實作)
- 電腦視覺概述
- 產業趨勢分享與解析
- 從事影像演算法研發人員在產業中的定位
- 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
- 影像去雜訊(原理 & 實作)
- 影像模糊(原理 & 實作)
- 影像強化(原理 & 實作)
- 影像縮放(原理 & 實作)
- 影像模板匹配
- OpenCV 使用者介面事件(高階 GUI)
- 滑鼠事件處理
- 滑桿事件處理
- OSD繪圖
- OSD文字處理
- ROI處理
- 卷積運算理論 & 實務
- 型態學運算(原理 & 實作)
- 輪廓搜尋 & 提取 (原理 & 實作)
- 邊緣偵測 (原理 & 實作 )
- 從影像處理到電腦視覺
- Image Feature Extraction
- 直線偵測(原理 & 實作)
- 圓形偵測(原理 & 實作)
- 角點偵測(原理 & 實作)
- 影像物件計數、影像物件分析
- 從影像到影片 Video Processing&Analysis
- 影片資料處理
- 攝影機取像、運算、儲存
- 視訊檔案讀取
- 取得視訊屬性
- 透過VidStab模組實作視頻穩定
- 使用VidStab類
- 幀到幀的座標轉換
- 使用Borders與Frame Layering
- 套用視頻穩定算法
- 應用於線上視頻

- AOI測量
- 手把手帶你打造自己的AOI測量演算法
- 取得邊緣點
- 擬合直線
- 測量線到線的距離


- AI運算與應用
- YOLO算法原理介紹
- OpenCV CNN
- 透過YOLO3-4-py模組實現物件偵測

- 自動車牌辨識(ALPR)
- 基礎知識 - YOLO
- 使用PaddleOCR建置自動車牌辨識
- 使用YOLOv4建置自動車牌辨識
- PaddleOCR方法比較: pp-ocr, pp-ocr(server), SRN
- 醫學影像應用
- 醫學影像基本知識
- 醫學影像的讀取與顯示
- 透過OpenCV實作CXR肺分割
- 移除脊椎
- 影像正規化
- 影像二值化
- 角點偵測
- 計算肺部區域

- 計算混淆矩陣(Confusion matrix)

※ 實戰演練的範例將會依據上課實際狀況進行調整
Elvis老師
▶ 美國聖路易大學生物資訊博士
▶ 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
Jeffery老師
▶ 台灣大學土木工程研究所博士
▶ 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
Tim老師
▶ 輔仁大學應用科學與工程研究所博士
▶ 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
Lau老師
▶ 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)
Luke老師
▶ 海洋大學運輸所碩士
▶ 資深系統工程師
▶ 地理資料分析呈現 / 資料庫設計 /Machine Learning運算模組開發 / Deep Learning CNN,RNN
David老師
▶ 中央大學資訊工程系碩士
▶ 前深圳知名科技公司技術總監
▶ 台灣知名上市科技公司經理
▶ 工業檢測2D/3D AOI / 醫療與工業深度學習 / 機器人視覺 / 演算法開發 / 軟體架構
- 學到很多 對工作很有幫助
- 收穫滿滿
- 獲益良多!建議多開AI GPU等相關課程
- 第一次體驗遠距教學,整體的感覺很不錯。
- 課程相當有趣,老師很專業,且講課淺顯易懂,讓我學到很多
- 獲益良多,謝謝老師講解很清楚
- 了解深度學習細部運作模式
- 符合目前工作上之運用
- 理解如何應用OpenCV解決問題
- 能區塊的講解程式並提供經驗
- 理論和實作併行,講義內容豐富,老師解說精確
- 非常清楚;更有實感
- 王同學:學到python影像辨識,能用到智慧農業
- 何同學:利用課程所學的影像處理技術與Neural Network+強化學習,完成公司AI計畫
- 嚴同學:原理說明,實機操演
- 黃同學:程式實作演練收穫很多
- 柯同學:規劃的很充實
- 張同學:運用課程教到的影像辨識技術,完成了自製的小專案。
- 王同學:可學習在Python上應用cv2與輔助模組進行影像處理
- 謝同學:理論實務運用整合佳
- 吳同學:老師用心教學~
- 蔡同學:給有些許基礎想更加深入了解應用的人
- 蔡同學:講師專業,對於有經驗的學員會有幫助
- 蔡同學:講師技術程度很夠,謝謝講師
- 陳同學:本課程教師上課非常用心,對於學生問題都能耐心給予回應,各程度學員相信都能在此課程中獲得不同的收獲
- 張同學:獲益良多
- 陳同學:師資專業,循序漸進
- 王同學:老師很認真,長期學習可以學很多,尤其會教你如何會自己解決問題
- 陳同學:老師很有耐心 課程內容豐富
- 沈同學:影像辨識很實用

| 學程簡介 | 課程大綱 | 課程預覽 | 會員優惠 |
➤ 獨家資深業師授課!提供課程答疑平台,訓中訓後為學員排難解惑。
📌 本課程可申請補助:大人提、小人提、退輔會補助適用
AI 深度學習、5G 通訊、無人駕駛、邊緣運算與高速影像處理,正在重新推動硬體運算架構的重要性。當系統需要更高效能、更低延遲、更低功耗與更高安全性時,單靠 CPU 或一般軟體架構,已經無法滿足所有應用需求。FPGA 晶片,正是實現高效能、低延遲與客製化硬體運算的重要解決方案。但在 AI 快速發展的今天,學 FPGA 的意義已經不只是「學會寫 Verilog」。因為 AI 工具已經可以輔助產生程式碼,甚至可以嘗試產生 RTL Code。
真正關鍵的是:
你是否看得懂 RTL 背後的硬體行為?
你是否能判斷這段設計是否可綜合、可驗證、可除錯?
你是否知道它在真實 FPGA 晶片上能不能穩定運作?
FPGA晶片,正是實現這些目標的重要解決方案!
艾鍗學院特別邀請具 16 年以上 FPGA / 數位 IC 設計經驗的一線資深工程師,規劃「FPGA 數位 IC 設計實戰」課程。本課程不是把 Verilog 當成另一種程式語言來教,而是從數位電路設計思維出發,帶你理解 RTL 如何對應到真實硬體電路。課程分為三個階段:
第一階段從數位電路基本概念、組合邏輯、序向邏輯、FSM 有限狀態機與 Verilog HDL 開始,建立 RTL 設計的核心觀念。
第二階段進入 FPGA 晶片設計實務,透過 UART、SPI、I2C 等常見介面電路,搭配 Testbench、Simulation、ModelSim、SignalTap 與 Timing Constraint,培養從設計、驗證到除錯的實戰能力。
第三階段延伸至 SoC FPGA 系統整合,學習 Platform Designer、Avalon Bus、IP Component 與 NIOS-V MCU,建立軟硬整合與系統化設計能力。
透過本課程,你學到的不只是 Verilog 語法,而是 AI 時代更稀缺的能力:理解電路、設計架構、驗證邏輯、判斷 RTL 是否可靠,並把設計真正落地到 FPGA 硬體上。
這門課帶你建立四個核心能力
講師結合業界一線 FPGA / 數位 IC 設計經驗與艾鍗長期工程師培訓經驗,帶你從觀念、設計、驗證到系統整合,建立真正能落地的 FPGA 實戰能力。
✔ 看得懂 RTL 背後的電路行為
不是只背 Verilog 語法,而是理解每一段 RTL Code 對應到什麼硬體邏輯,例如暫存器、計數器、狀態機、組合邏輯與序向邏輯。
✔ 寫得出可綜合、可維護的硬體描述
學會用正確的硬體設計思維撰寫 Verilog,避免用 C、Python 等軟體流程思維來寫 RTL,降低產生不可綜合、難除錯或時序不穩定設計的風險。
✔ 驗得出設計是否正確
透過 Testbench、Simulation、ModelSim、SignalTap、SignalProbe 與 Timing Analyzer,建立燒錄前模擬驗證與燒錄後實機除錯能力。
✔ 整合得出完整 SoC FPGA 系統
從 UART、SPI、I2C 介面實作,到 Platform Designer、Avalon Bus、IP Component 與 NIOS-V MCU,建立 FPGA 與嵌入式系統整合能力。
Why SoC FPGA? 為什麼要學軟硬整合?
現代嵌入式系統不再只是單純寫韌體,也不只是單純做硬體。許多產品同時需要軟體的彈性、硬體的高速並行運算、低延遲反應、高效能資料處理,以及可客製化的系統架構。SoC FPGA 正是結合這些需求的解決方案。
SoC FPGA 將處理器系統與 FPGA 可程式邏輯整合在同一個平台上。開發者可以使用 CPU 處理控制流程、作業系統與周邊管理,也可以使用 FPGA 實作高速資料處理、訊號處理、通訊介面或客製化硬體加速。在 AIoT、邊緣運算、工業控制、影像處理、通訊系統與客製化硬體加速場景中,SoC FPGA 能讓產品同時具備效能、彈性與開發速度。本課程透過 Platform Designer、Avalon Bus、IP Component 與 NIOS-V MCU,帶你理解 SoC FPGA 如何從硬體設計走向完整系統整合。
FPGA, SoC FPGA, Verilog HDL, RTL Design, 數位 IC 設計, FSM, Testbench, Simulation, ModelSim, SignalTap, Timing Constraint, TimeQuest, Intel Quartus Prime, Altera MAX 10, Avalon Bus, IP Core, Platform Designer, NIOS-V, FPGA Validation, 硬體設計, 軟硬整合

Jemmy (講師具16年數位IC設計經驗)
▪ 電機工程碩士 ▪ 資深數位IC設計工程師
▪ FPGA/CPLD設計 ▪ Verilog HDL ▪ Gigabit Ethernet網路介面訊號處理
▪ FPGA SoC系統設計 ▪ 數位電路分析設計 ▪ 數位晶片產品開發
─ 演算法與架構並存的時代,用FPGA以更快的速度把產品做出來
Ted Chang (講師具16年數位IC設計經驗)
▪ EE工程碩士 ▪ 資深數位IC設計工程師
▪ FPGA/ASIC設計 ▪ RTL Design, FPGA Validation ▪ 系統晶片設計與整合
▪ Gigabit Ethernett, TDM over IP, video over data design
▪ ARM SOC AXI/AHB/APB ▪ IC電路模擬測試 ▪ Verilog /VHDL
─ 雖然資深但是不間斷Learning


-
Altera MAX 10 FPGA:T-Core
▪ Programmable FPGA元件
- MAX 10 10M50DAF484C7G 元件
- 集成雙ADC,每個ADC支持1個專用模擬輸入引腳和8個雙功能引腳
- 50K 邏輯單元
- 1638Kb M9K 塊
- 144 个 18x18 乘法器
- 4 個鎖相環
▪ 通用介面
- 4 個綠光 LED
- 4 個紅光 LED
- 4 個滑動開關
- 2 個去抖動按鈕
▪ JTAG
- 板載USB Blaster II下載電路用於下載MAX10
- 板載USB Blaster II下載電路用於下載RISC-V 程式
- JTAG Master功能用於下載別的板子上的FPGA
▪ Clock與記憶體元件
- 兩個50 MHz Single-ended,外部 Oscillator Clock源
- 一個10 MHz Single-ended,外部l Oscillator Clock源
- 64Mb QSPI Flash (用於儲存 RISC-V 程式)
▪ 擴充介面
- 2x6 TMD 擴充接頭
- 1x10 ADC 接頭
- 兩個 1x3 RGB LED 擴充接頭
▪ 電源供應
- USB Type mini-AB Port (5V)
- 2-pin 擴充電源接頭 (4.4-5.6V)
▪ 連接性
- 連接 BTS-TMD
- USB-Blaster II 下載線
- 連接 WS2812B LED Strip
完成本課程後,你將具備以下能力:
1、建立數位電路設計的基本概念,理解組合邏輯、序向邏輯與狀態機設計方式。
2、理解 Verilog HDL 與真實硬體邏輯電路之間的對應關係。
3、能夠閱讀 RTL Code,判斷其背後描述的是什麼硬體行為。
4、學會 FSM 有限狀態機設計方法,能將功能需求轉換成狀態規劃與狀態轉換。
5、熟悉 Testbench 撰寫與 Simulation 流程,在燒錄前驗證 RTL 設計是否正確。
6、實作 UART、SPI、I2C 等常用週邊介面,強化 FPGA 實務設計能力。
7、學會 FPGA 專案建立、編譯、燒錄與基本除錯流程。
8、學會使用 SignalTap、SignalProbe、ModelSim 等工具分析與驗證硬體行為。
9、理解 Timing Constraint 與 TimeQuest Timing Analyzer,確保設計在時序上正確運作。
10、掌握 Platform Designer 的使用,能整合多個 IP 模組進行系統化設計。
11、透過 NIOS-V MCU 實作,理解 SoC FPGA 的軟硬整合流程。
12、培養 AI 時代最重要的 RTL 判斷力:不只會產生 Code,更能判斷 Code 是否可用、可靠、可落地。
2、已具備 MCU 或嵌入式系統經驗,想往硬體加速與 FPGA 發展者
3、想轉職或補強數位 IC / FPGA 工程能力者
4、想在 AI 時代保有硬體工程判斷力者
5、電子、電機、資訊、通訊、自動控制與半導體相關背景者佳.
學完本課程後,可銜接 FPGA 設計、RTL Design、數位 IC 設計、FPGA Validation、SoC FPGA 系統整合與嵌入式硬體加速等職涯方向。
※104人力銀行調查: 數位IC設計工程師類薪資





| 學程簡介 | 課程大綱 | 課程預覽 | 會員優惠 |
➤ 獨家資深業師授課!提供課程答疑平台,訓中訓後為學員排難解惑。
📌 本課程可申請補助:大人提、小人提、退輔會補助適用

【 第一線FPGA工程師親自指導 】
● 加速學習 ● 加速運算 ● 加速產品開發時程
|
第一階段 Verilog硬體描述語言
|
||||
|
||||
|
第二階段 FPGA 晶片設計實務
|
||||
|
||||
|
第三階段 SoC FPGA:嵌入式系統晶片開發實務
|
||||
|
||||
楊同學:此課程內容很好,提供很多資料與方法,與此行業的生態
葛同學:非常清楚且實用
吳同學:硬體概念上充分瞭解
林同學:工作有用
洪同學:老師講解很詳細,經驗豐富
陳同學:與市場、工作需求相符
黃同學:與業界工作需求相關
黃同學:都很棒
蔡同學:工作上可以使用到。Timing Analysis、網路介面實作、感覺實用性高
林同學:一般的序列通訊設計更瞭解,對用於工作上有很大的幫助
張同學:I2C設計與業界經驗分享十分受益
卓同學:講師認真負責
劉同學:課程設計精心優良,搭配優秀師資與實作入門容易被消化,可謂是學生理想的學習課程
潘同學:合乎業界實務
江同學:這門課可以讓你快速的上手FPGA相關軟體的使用以及coding方法,對於想要上手以及想要精進的人都有幫助
施同學:老師講解很清楚,實作課程也很有趣也很有幫助。
盧同學:貼近工作需求
余同學:講師授課能深入淺出 經過這些課程已經能實際運用在目前公司使用中的案子,十分受用
張同學:對於想轉職或想提升工作技能的人來說真的要來
洪同學:講師授課內容詳細
林同學:由淺至深
張同學:紮實的教學
簡同學:專業與實戰的教學,有符合預期
張同學:滿載而歸
鄭同學:內容豐富且實用
蔡同學:課程與實務貼近,教學清楚明嘹
曾同學:符合業界實際需求
廖同學:收獲量多!
張同學:值得學習!
張同學:推薦有基本基礎且需要實作經驗的人來上課,收穫會最多
李同學:想學專業知識可來
蔡同學:老師的業界經驗豐富,專業度很足
鄭同學:老師講解十分詳細,教學十分完整
郭同學:講師專業,所教授的內容與實際職場可相互銜接
程同學:講解方式獨特清晰,舉例實際,各種技巧實用性極高!
黃同學:有來上課就有收穫
劉同學:老師講解清楚明瞭
李同學:產業鏈接最佳管道,受益良多
劉同學:覺得很受用,也有跟業界需求相關
李同學:由淺入深,講師經驗足夠且熱心
陳同學:對於初學者很友善的課程,老師都會一步一步教
吳同學:老師講的觀念很扎實,學到很多。課程很棒,有機會會在報名其他課程
諶同學:硬體架構講解仔細
鍾同學:內容豐富,由淺入深,講師分享業界資訊也很實用
曲同學:老師專業程度高
吳同學:可以較全面接觸到業界對於數位電路設計的角度
楊同學:很好
洪同學:可以理解FPGA的觀念以及軟體操作
黃同學:很專業的verilog 模擬及驗證方法學習紮實
吳同學:教學實用
許同學:對於 INTEL FPGA 架構可以有很實務的了解,得以繼續延伸學習。
李同學:實驗手把手帶 講解清楚也實用!
黃同學:很充實,細心的授課老師 實戰性的課程,大推
張同學:循序漸進
郭同學:師資專業授課認真
徐同學:非常不錯的課程,適合新手
葉同學: Good class
林同學:上課不枯燥 讓假日上課更有動力
顏同學:初學者友善,老師耐心回覆.謝謝補充分享很多業界經驗
蔡同學:ic設計入門課
簡同學:老師很耐心回答同學問題 適合初學FPGA的同學
黃同學:幫助初學者快速進入FPGA!老師上課內容豐富並用產業的角度分析很不錯
歐同學:老師講解非常白話,深入淺出。重點部分會一再提醒。
施同學:對有轉職需求的人非常合適
張同學:老師很強,而且很有耐心。很用心的培訓機構
▪ 什麼是FPGA?
FPGA(Field Programmable Gate Array)是一種可程式化的 IC,使用者可以依照產品需求,重新設計與配置晶片內部的數位邏輯電路。和一般固定功能的 IC 不同,FPGA 可以讓工程師依需求實作各種硬體功能,例如 Counter、Timer、PWM、UART、SPI、I2C、影像處理、訊號處理、資料串流控制等。簡單來說,FPGA 不是單純「寫程式」,而是用 Verilog HDL / VHDL 等硬體描述語言,去描述一個真正會在晶片中運作的硬體電路。這也是為什麼學 FPGA 的重點不只是語法,而是理解 RTL Code 背後對應到什麼電路行為。
▪ AI 已經可以寫 Code,為什麼還要學 FPGA / RTL?
因為 RTL Design 不只是「產生一段 Code」,而是在描述真實硬體電路。AI 可以輔助產生 Verilog Code,但它不一定能完全理解你的硬體架構、時序限制、狀態轉換、資料路徑與系統風險。尤其在 FPGA / 數位 IC 設計中,錯誤不一定只是程式執行失敗,而可能是電路行為錯誤、時序不穩定、Simulation 結果不符合預期,或燒錄到 FPGA 後無法正常運作。因此,AI 時代更需要懂 RTL 的工程師。真正重要的能力不是比 AI 更快打 Code,而是能夠:
看懂 AI 產生的 RTL。
判斷它是否符合硬體邏輯。
驗證它是否正確。
修正它的設計問題。
確認它能否在 FPGA 上穩定運作。
這也是本課程強調數位電路觀念、FSM、Testbench、Simulation、Timing Constraint 與 Debug 的原因。
▪這門課是教 Verilog 語法,還是教 FPGA 設計?
本課程會教授 Verilog HDL,但重點不是只教語法。Verilog 只是描述硬體電路的工具,真正重要的是你是否理解這段 RTL Code 背後對應到什麼硬體行為。因此,本課程會從數位電路設計觀念開始,逐步帶到:
組合邏輯。
序向邏輯。
FSM 有限狀態機。
RTL Coding Style。
Testbench。
Simulation。
FPGA 燒錄。
Timing Constraint。
Debug Tool。
SoC FPGA 系統整合。
簡單說,這門課不是只教你「怎麼寫 Verilog」,而是教你「如何設計、驗證與實作一個 FPGA 系統」。
▪ 我是學VHDL,適合來上課嗎?
適合。本課程主要使用 Verilog HDL 教學,但不論你原本使用的是 Verilog、VHDL 或 SystemVerilog,最重要的都不是語法本身,而是能否建立正確的 RTL 設計觀念。FPGA / RTL Design 的核心能力包含:
理解硬體描述語言如何對應到真實電路。
理解組合邏輯、序向邏輯與 FSM 狀態機。
理解時脈、重置信號、暫存器與資料路徑。
理解 Simulation、Testbench 與 Debug 流程。
判斷一段 RTL Code 是否可綜合、可驗證、可落地。
語法可以轉換,板子可以更換,工具也會更新;但硬體設計觀念與驗證能力,才是真正可帶著走的能力。因此,即使你原本學的是 VHDL,也很適合透過本課程建立更完整的 FPGA / RTL 實務觀念。
▪ 可以用 Xilinx ISE / Vivado 來上嗎??
可以理解課程觀念,但實作環境會以課程指定的 Intel / Altera FPGA 開發流程為主。FPGA 供應商包含 Intel Altera、AMD Xilinx、Lattice、Microchip Actel 等,其中 Intel Altera 與 AMD Xilinx 是常見的兩大 FPGA 平台。不過,本課程的重點不是單純教某一套 Tool 的操作,而是建立 FPGA / RTL Design 的核心觀念:
如何用硬體思維設計 RTL?
如何理解 Verilog 與真實電路的對應?
如何撰寫 Testbench?
如何做 Simulation?
如何在沒有實際燒錄前先驗證設計?
如何使用 Debug Tool 找出硬體行為問題?
講師在業界同時具備 Altera 與 Xilinx 平台經驗。實務上,只要 RTL、FSM、Simulation、Timing、Debug 等觀念建立起來,從 Intel Altera 轉到 Xilinx Vivado,或從 Xilinx 轉到 Intel Quartus,並不會太困難。
工具會變,但硬體設計觀念不會變。
▪ 課程使用的FPGA開發工具為何?是否為開源?
本課程使用 Intel Quartus Prime Design 作為主要 FPGA 開發工具,搭配 ModelSim、SignalTap、SignalProbe、TimeQuest Timing Analyzer 等工具進行設計、模擬、除錯與時序分析。Quartus Prime Design (Lite 版本) 為 Intel 提供的免費版本,可於網路公開下載安裝,適合學習與一般 FPGA 開發入門使用。
課程重點不只是工具操作,而是讓學員理解完整 FPGA 開發流程:
建立專案。
撰寫 RTL Code。
撰寫 Testbench。
進行 Simulation。
完成 Synthesis / Compile。
設定 Timing Constraint。
燒錄 FPGA。
使用 Debug Tool 驗證硬體行為。
也就是從設計、驗證到實機除錯,建立完整 FPGA 實作能力。
▪ SoC FPGA的嵌入式系統開發流程?
SoC FPGA 可以理解為「處理器系統 + FPGA 可程式邏輯」的整合平台。它同時具備軟體控制的彈性,以及 FPGA 硬體並行運算的效能。
SoC FPGA 的開發流程通常包含兩大部分:
1、硬體設計: 包含 FPGA 邏輯設計、SoC 系統組態、IP 整合、Bus / Bridge 設計,以及 FPGA 與處理器系統之間的資料交換架構。
2、軟體設計: 包含嵌入式系統軟體開發、周邊控制、驅動程式概念、資料流程控制,以及與硬體 IP 的整合應用。
因此,SoC FPGA Designer 不只是會寫 HDL,也需要理解系統架構、IP 整合、軟硬體分工與資料流設計。本課程會帶你從 RTL 設計、FPGA 實作,逐步進入 Platform Designer、Avalon Bus、IP Component 與 NIOS-V MCU,建立 SoC FPGA 的完整開發概念。
如圖所示(下圖Soft Core的NiosII作為說明)

▪ 我想成為SoC FPGA Designer需要具備什麼條件?
SoC FPGA Designer 通常具備以下幾項能力:
1、基本 HDL / RTL Design 能力
包含 Verilog、VHDL 或 SystemVerilog 的基本撰寫能力,並理解組合邏輯、序向邏輯、FSM、暫存器、時脈與重置信號等核心概念。
2、FPGA 設計與驗證能力
不只是會寫 RTL Code,還需要能撰寫 Testbench、進行 Simulation、理解 Synthesis / Compile 流程,並能使用 Debug Tool 驗證實際硬體行為。
3、系統架構與 IP 整合能力
SoC FPGA Designer 需要能理解系統需求,並從現成 IP 中組合出符合規格的產品架構,例如 Bus、Bridge、UART、SPI、I2C、DMA、資料串流、影像處理、網路或 PCIe 等應用。
4、軟硬體分工觀念
SoC FPGA 是軟體與硬體的整合平台。你需要理解哪些任務適合交給 CPU,哪些任務適合交給 FPGA 硬體加速,並能設計兩者之間的資料交換流程。
5、基本驅動程式與嵌入式系統概念
如果具備 Driver、Embedded Linux 或 MCU 韌體開發概念,會更有利於與軟體團隊溝通,也能更完整理解產品開發流程。
本課程會從 RTL Design、FPGA 實作、Simulation / Debug,一路帶到 SoC FPGA 與 NIOS-V MCU,協助學員建立進入 SoC FPGA Designer 職涯所需的基礎能力。
▪ 艾鍗的FPGA課程,和學校教的有什麼一樣?
學校課程通常會從數位邏輯、Verilog 語法或教科書範例開始,重點放在理解基本原理。艾鍗 FPGA 課程則更強調「業界實作流程」與「工程師真正會遇到的設計問題」。
本課程的不同點包含:
1、不是只教 Verilog 語法,而是強調 RTL 語意是否精準
你會學到如何寫出語意清楚、可綜合、可驗證的 RTL Code,而不是只把語法寫對。
2、不是做概念,而是建立一致的數位電路設計方法
從 LED、Counter、FSM,到 UART、SPI、I2C,甚至 SoC FPGA 專案,課程會用一致的硬體設計觀念帶你理解不同電路模組。
3、不是只寫 Code,而是重視 Testbench 與 Simulation
在 FPGA 燒錄前,如何透過 Testbench 與 Simulation 驗證設計是否正確,是本課程的重要訓練。
4、不是只看結果,而是學會 Debug
課程會帶你使用 Intel FPGA 相關 Debug Tool,例如 SignalTap、SignalProbe、System Console 等,協助你分析真實硬體行為。
5、不是只學現在的語法,而是培養 AI 時代的 RTL 判斷力
AI 可以協助產生 Code,但工程師要有能力判斷它是否符合硬體設計邏輯、是否能通過驗證、是否能在 FPGA 上穩定運作。
艾鍗 FPGA 課程由業界一線 IC 設計工程師授課,將產業實務經驗融入課堂,幫助你建立真正可用的 FPGA / RTL Design 核心職能。


| 學程簡介 | 課程大綱 | 課程預覽 | 會員優惠 |























