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。

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。

1. 了解機器學習的核心觀念與常見的分類演算法。
2. 會使用Scikit-learn 進行如Logistic Regression、SVM、Decision Tree、Neural Network等機器學習實作。
3. 了解深度學習的核心觀念、工作原理及各種訓練技巧。
4. 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。
5. 了解CNN模型與工作原理並能實作CNN影像分類與進階技巧。
6. 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。
7. 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)。
8. 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。
9. 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。
10. 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。

➢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
• 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