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人工智慧及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>
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
- 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。
- 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。
- 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。
- 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…)
- 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
▶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
- 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
- Hector SLAM教學
- 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
▶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)OpenCV Data Type結構深入理解
- 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
- 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...
- 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)
- 機器學習模型訓練資料建立方法
- 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)
- 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
- 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
- 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
▶ROS系統程式開發實作
- ROS導論
- ROS沿革與趨勢
- ROS特色
- ROS系統架構說明
- ROS重要觀念介紹
- ROS Master、節點(Node)、消息(Message)、話題(Topic)…
- ROS安裝
- ROS安裝於Ubuntu
- ROS 常用指令(roscore,roslist,….)
- 安裝ROS第三方套件供二次開發
- ROS程式開發
- ROS工作空間建立
- 程式開發起手式(ros::init、ros::NodeHandle…)
- Publisher vs Subscriber
- ROS 節點間通訊與程式實作-topic、service、parameter server、launch
- ROS文件系統:Package、meta-package
- 製作自己的package
- 於Raspberry pi 3實作ROS
- ROS Pi image燒錄
- Pi I/O 子卡功能介紹
- ROS節點設計:I/O控制、感測器讀取
- ROS遠端監控(Ubuntu Raspberry Pi 3)
- LiDAR(光達)介紹
- Triangle、TOF
- LiDAR Application
- 其他感測器(Distance Sensor、Vision Sensor、Depth Camera…)介紹
- ROS機器人Turtlebot介紹
- Burger vs Waffle
- SLAM & Navigation介紹
- Position、Sensing、Map、Path
- 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 Flow
- Gmapping應用說明
- Gmapping實作演練
- Gmapping (地圖構建開源套件)教學
- Hector SLAM教學
- Hector SLAM演算法原理解析
- Hector node graph
- Particle Filter Flow
- Score、Weight、Update map
- Hector SLAM應用說明
- Hector SLAM實作演練
- Localization
- MCL(Monte Carlo localization) vs AMCL(adaptive Monte Carlo localization)
- AMCL(adaptive Monte Carlo localization)原理與應用說明
- Global Localization
- Resampling
- AMCL實作演練
- TF 座標轉換
- TF package介紹
- TF 應用解說
- Navigation
- Stack Setup
- Navigation演算法架構講解
- DWA(Dynamic Window Approach)解說
- Gmapping + move_base實作
- ROSbridge解說
- Robot Models︰URDF(Unified Robot Description Format)解說
- 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。
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
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
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
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)
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
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
● 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
課程諮詢
常見問題
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。