學習經典演算法窺見電腦視覺演算法的秘密

機器如何看見世界?看到車子開過來，我們會閃避；遇到認識的人，我們能夠識別。這些動作對人類來說很簡單，但機器做得到嗎？ 隨著電腦運算效率的提升，帶動了深度學習的發展，讓影像領域有了重大的突破。 如今，透過各種影像技術的整合，我們已經能夠讓機器感知世界。

本課程從經典的演算法，如HAAR人臉偵側、Hog 特徵擷取、Adaboost 分類器等演算法，了解如何進行人臉偵測與人臉辨識。同時也以深度學習CNN演算法，來說明如何實現人臉偵測與辨識。

本課程帶你深入了解這些演算法背後的原理，並且對於演算法都以手刻的方式(From Scratch)進行實作。此外,也以Python Tkinter 完成一個人臉門禁系統的小專案。電腦視覺常會依照現場情況有不同的影像處理，因此唯有懂了原理才有可能針對專案的需要，知道如何進行優化與改善，而不侷限於套件工具本身。

關鍵詞: HAAR人臉偵側, Hog 特徵擷取, Adaboost 分類器, 深度學習,人臉偵測,電腦視覺

• 了解HAAR演算法並知道如何以python實作 (From Scratch)
• 了解 Adaboost 演算法並知道如何以python實作 (From Scratch)
• 學會如何利用HARR+Adaboost進行人臉偵測
• 了解HOG 演算法並知道如何以 python實作 (From Scratch)
• 學會如何利用HOG + 支持向量機(Support Vector Machine, SVM) 進行人臉或物件識別
• 學會如何CNN原理及遷移學習的方法，建立人臉識別系統

• 投影片講授及配合程式進行演練
• 學會如何利用HARR+Adaboost進行人臉偵測 
• 使用 + Spyder
  
  

• 遠距課程時數:14小時/數位課程時數:14小時
• 數位觀看天數:30天
• 精編教材:-精編講義、範例程式碼

                     -詳細Code 解說且程式範例檔案分類整理

                     -線上助教系統

• HOG演算法說明與python實作 (From Scratch)

• 圖檔爬蟲程式撰寫

• 建立圖檔HOG特徵

• Scikit-Learn實現SVM與LogistcRegression

• 專案: HOG Features+ Classifier :人臉/物品偵測與識別▼

• HAAR演算法說明與python實作 (From Scratch)

• Adaboost Classifier

• 專案: HAAR Features人臉偵測

• 遷移學習（transfer learning）和微調（fine-tune）原理說明

• 使用MobileNet建立圖像特徵 (Image Embedding)

• 建立DNN Classifier

• MQTT協定- 警示通知

• 專案: 人臉門禁系統(使用Tkinter界面): 加入/刪除/登入人臉帳號▼

1. 想了解電腦視覺演算法的細節/窺見電腦視覺演算法背後的原理
2. 以Python帶你手刻經典的演算法

• 欲投入AI機器視覺應用相關之電資相關科系研究生。
• 欲學習電腦視覺-人臉識別之工程師。
• 已學過AI，但想進一步學習如何將AI演算法轉換成實際應用之工程師。
•  學習背景:

         有Python 程式設計基礎者者佳

非監督式學習(Unsupervised Learning)在機器學習領域扮演著一個重要的角色，它的核心特點是能夠自動地對未經標記的數據進行分類(Classification)或分群(Clustering)，而不需要事先知道數據的類別或結構。這種學習方式依賴模型自行辨識數據中的相似性和關聯性，為我們提供了一個強大的工具，以更深入地理解和利用未知數據的內在結構。

非監督學習的主要應用領域有哪些？ 聚類分析(Cluster Analysis)是非監督學習的一個重要應用。當我們面對大量的數據時，它能幫助我們將相似的數據點分為不同的群組。例如，在零售業中，這可用於識別擁有相似購買習慣的客戶，以便更精準地制定促銷策略和產品推廣方案。 關聯規則(Association Rule)可從大量的銷售數據中找出潛在的商品關聯，例如，如果一個顧客購買了某種產品，那麼他們也有可能購買另一種產品。這有助於商家建立更具吸引力的商品組合和促銷活動。異常檢測 (Anomaly Detection)檢測與正常數據分布不同的異常數據。在監控系統、金融詐騙檢測等領域有廣泛應用。降維(Dimensionality Reduction)能夠減少數據的特徵維度，同時保留數據的主要結構，被應用在可視化、特徵提取、噪聲過濾等方面。推薦系統(Recommendation System)則是分析用戶過去的行為和偏好，為他們提供個性化的建議，例如，推薦音樂、電影、商品或文章。這使得用戶能夠更容易地發現他們可能感興趣的內容，同時也促進了交叉銷售和用戶參與。此課程將帶你快速掌握各種非監督式學習演算法，並使用scikit-learn實作應用。

1. 帶你快速掌握非監督式學習 – Data Mining資料探勘，探索資料的秘密，結合自身領域，運用數據探索有用資訊，挖掘商機、解決問題，在各產業發光發熱。
2. 面對大量的資料數據，標記無疑是個大工程，學會善用非監督式學習，讓AI助你發現數據中的規律和關聯。
3. 有助於iPAS巨量資料分析師、iPAS機器學習工程師能力鑑定證照考試準備。

1. 掌握非監督式學習演算法，包括分群、關聯規則、維度縮減和推薦系統。
2. 了解不平衡資料的處理方法。
3. 會使用scikit-learn，了解如何應用這些演算法。
4. 能以Python實作演算法以提升程式實戰能力。

• 投影片講授及配合程式實例進行演練
• 有課堂練習

1. 想學習如何運用非監督式學習演算法者。
2. 想透過AI來結合本業know-how增強職能。
3. 欲準備並取得AI相關證照者。
4. 想從事數據分析運用相關工作者

資料分析師 | 數據工程師 | AI工程師 | 機器學習工程師 |
巨量資料分析師 | 軟體工程師 | 演算法工程師 |
商業數據分析師 | AI應用工程師 | AI產品經理

建議具有下列知識基礎尤佳

1. 基礎Python程式設計能力
2. 基礎機器學習

• 課程總時數：20小時
• 觀看天數：30天
• 精編教材：
  • 精編講義、範例程式碼
  • 詳細Code 解說且程式範例檔案分類整理
  • 線上助教系統

• Data Analysis
  • Overview of Data Analysis
  • Importance of EDA

• Anomaly Detection
  • Handling Imbalanced Data
  • Evaluation Metrics for Anomaly Detection
    • Precision-Recall Curve (PR Curve)
    • Area Under the Curve (AUC)
  • Anomaly Detection using Supervised Learning
  • Supervised vs. Unsupervised Anomaly Detection

• Dimensionality Reduction with PCA
  • Introduction to Dimensionality Reduction
  • Principal Component Analysis (PCA) Algorithm
  • Anomaly Detection using PCA

• Clustering Algorithms
  • Introduction to Clustering
  • K-Means Algorithm
  • Evaluating Clustering Results
  • Hierarchical Agglomerative Clustering (HAC) Algorithm
  • DBSCAN Algorithm
  • HDBSCAN Algorithm

• Association Rule Algorithms
  • Apriori Algorithm
  • FP-Growth Algorithm
  • Eclat Algorithm

• Recommender Systems
  • Introduction to Recommender Systems
  • Collaborative Filtering
    • User-Based Collaborative Filtering
    • Item-Based Collaborative Filtering
  • Matrix Factorization/Decomposition Methods

在AI人工智慧應用中，若所有資料都要回傳到雲端中心，計算之後再傳回終端的話，一定會有「網路延遲」產生，而這些延遲可能會對人類安全與生命財產造成嚴重威脅，比方說，自駕車偵測系統若識別前方的物件，先經由網路送至雲端再傳回結果，可能就會因延遲而造成不可挽回的意外事故;再者有些工廠的環境可能網路不穩定或者企業基於網路資安等問題而沒有網路。這些都使AI模型在雲端進行推論時有使用上的困難。

邊緣運算的概念正因此而生，不透過網路將資料傳送到雲端進行推論(Inference)，而是在本機端直接進行推論，加快現場即時反應，讓AI的使用場域更加全面且便利。然而在邊緣進行AI運算，會面臨到本機運算能力及記憶體容量限制等因素，因此也會有一些需要克服的難題，因此本課程先從技術架構、模型優化方法說明並搭配Raspberry Pi 結合Intel NCS2 神經網路加速棒，配合OpenVINO程式碼實作，以實現邊緣運算的應用。

 資深講師先幫你打好原理底子，搭配實際操作更有感!

• 學會以OpenVINO（Open Visual Inference and Neural network Optimization）進行AI模型的格式轉換，進而能將AI模型部署在邊緣裝置上。
• 學會AI軟硬整合，實現邊緣運算之影像辨識應用（如人臉辨識與動態影像識別等）。
• 傳承業師實務開發經驗，提高學習者的AI邊緣運算應用之開效率。

• 投影片講授及配合程式進行演練
• 課程會使用 + Spyder
  

• 課程總時數:8小時
• 觀看天數:30天
• 精編教材:-精編講義、範例程式碼

                     -詳細Code 解說且程式範例檔案分類整理

                     -線上助教系統

   1.  邊緣運算

• 技術簡介

• 邊緣運算的開發架構

• 模型優化的概念

   2.  OpenVINO邊緣運算實務

• Intel NCS2 神經網路加速棒簡介

• OpenVINO Toolkit 架構說明

• 由Keras (.h5)模型轉成IR (.xml & .bin)檔案

• Raspberry Pi 安裝OpenVINO

• 建立OpenVINO應用程式- 程式架構與CMAKE說明

• 專案: WebCam串流人臉偵測

• 專案:WebCam 即時手寫數字辨識 (OpenCV與MNIST)▼

   3.  基本Raspberry Pi 使用入門

*提供之教材套件包不含Intel® Movidius™ Neural Compute Stick，學員可於報名時選擇加購與否。 (講師將示範使用步驟，無神經計算棒不影響課程進行)
*學員須自備 USB Webcam

• 已學過AI，但想進一步學習如何將AI演算法轉換成實際應用之工程師。
• 對於AI演算法大致理解，但想學習如何將本機端的AI模型部署到終端硬體之工程師
• 欲進行邊緣運算開發之專案，想學習各階段開發技巧，縮短自我摸索時間之工程師
•  學習背景:

         1.有基礎機器學習/深度學習知識者佳

         2.有Python 程式設計基礎者者佳

         3.會基礎Raspberry Pi/ Linux使用者佳 (針對AI邊緣運算使用Raspberry Pi 時)

自然語言處理（NLP）和大型語言模型（LLM）代表了人工智慧領域的新技術突破， LLM通過大規模的訓練，展現生成式 AI 的強大潛力，如 ChatGPT（OpenAI）、Gemini（Google）、Llama（Meta）及 Copilot（Microsoft）。各個產業NLP和LLM人才需求快速增長，對於 Python 開發者、AI應用工程師、資料科學家等專業人士來說，擁有這些技術更是能大大提升職業競爭力與未來發展性。

此課程將帶你瞭解NLP 和 LLM 技術，如何高效處理大量文本資料，以迎接各種複雜的語言分析挑戰，更進一步靈活應用於多種領域的實際解決方案。

1. 掌握自然語言處理（NLP）的基本概念與技術。

2. 能夠應用深度學習進行自然語言處理（DL NLP）。

3. 瞭解Transformer架構，熟悉大語言模型(LLM)基礎理論。

4. 從NLP、LLM案例中訓練實作技術能力。

5. 能實際應用相關套件，解決專業問題。

1. 對於AI 自然語言處理NLP及大型語言模型LLM應用技術感興趣者。
2. 須領導、管理、執行AI應用開發專案者。
3. 對於Chatbot聊天機器人、自動化文本處理、智能助理、自動翻譯、情感分析、推薦系統、文本挖掘等應用感興趣者。

• 課程總時數：20小時
• 觀看天數：90天
• 課程所附教材：
  • 精編講義、範例程式碼

• Introduction to development environment
  
  • Colab
  • Anaconda
  • Jupyter Notebook

• NLP
  • Bag of words
  • TF-IDF
  • Jieba
  • N-gram
  • Word2vec
  • Word cloud

• DL NLP
  • RNN
  • LSTM
  • GRU
  • Embedding

• TRANSFOREMERS
  • Seq2seq + Attention
  • Self attention
  • BERT
  • GPT
  • Gemini
  • Vision transformer
  • perplexity

• Chatbots
  • Llama 3.1
  • Chitchat chatbot - Llama3.1 + Linebot
  • Task - oriented chatbot - Llangchain RAG read PDF

1. 機器學習
2. 深度學習
3. Scikit-learn
4. Tensorflow

LLM工程師、演算法工程師、AI Engineer(LLM)、Python開發工程師、資料科學家、AI應用工程師、AI Data Engineer、AI提示工程師(Prompt Engineer)、NLP工程師、AI產品經理、生成式AI工程師

Google Colab / Anaconda + Jupyter Notebook