“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>

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。

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。

• 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。

• 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

• 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

• 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

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

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。