MCU+EC

 

AI-PD_banner

學程簡介 課程大綱 專題實績 課程講義 Q&A
課程大綱

第一階段 Python機器學習與深度學習實戰
你能學會在各種產業實例中,以Scikit-learn 進行各種Machine Learning 模型(如Logistic Regression、SVM、Decision Tree、Kmeans 等)的綜合演練,並獲得產業界在模型評估、優化與參數調整的技巧與經驗。藉由從machine learning階段所學到的資料處理與模型優化技巧,在Deep Learning的學習階段,你將能更快上手。你會學到用Keras/TensorFlow 進行DNN、CNN、RNN等深度學習模型實作。掌握如何在實務上應用AI人工智慧演算法,你將能輕易將你的創意運用在資料探勘、電腦視覺、自然語言處理、語音和手寫識別等技術領域上,在職場上會有更強的競爭優勢。

※點選課程可展開看更多

➤機器學習整合實作(機器學習實作是以Scikit Learn為主,搭配Python範例程式碼講解)

    • 機器學習演算法整合實作

      • 資料分析流程與實務經驗談

      • 精解常見機器學習模型特色與使用時機:Regression 迴歸(正規化與回歸Ridge Regression & Lasso Regression)、生成模型與判別模型、羅吉斯迴歸(Logistic Regression)、單純貝式分類器(Naive Bayes Classifier)、支持向量機(Support Vector Machine)、決策樹(Decision Trees) 、隨機森林(Random Forests)、最近距離分群法(KNN)、K-means等

      • 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) & 拔靴驗證法(Bootstrap Validation)

      • 資料前/預處理基於機器學習中之關鍵

        • 資料標準化(Standardization)說明與標準化套件(Scaler)教學

        • 降維(Dimension Reduction):主成分分析(PCA)

          • 主成分分析(PCA) vs T-SNE

        • L0、L1、L2正則化效果實作與說明

      • 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

      • 主題實作:房價預測、信用卡欺詐檢測、速食店銷售預測、工廠預防性維保之CNC工具磨耗檢測等

    • 機器學習進階演算法實作

      • Machine Learning Pipeline

      • 儲存和讀取Machine Learning Model的套件:Pickle

      • 整體性方法(Ensemble Methods)概念解說與實作

      • 如何有效進行實驗性設計(Experimental Design)

      • 機器學習中模型評估和參數調整(Fine Tuning)

      • 機器學習模型訓練資料建立方法

        • 知名資料競賽平台(Kaggle、天池等)介紹與教戰守則說明

        • 資料科學競賽實例解說(Titanic鐵達尼號生存率預測、共享單車租借輛預測分析)

        • 綜合演練 - BOSCH產線IoT數據資料分析

          • 專案研討:影響良率的因子、預測準度、預防性維保與設備監診的探討

➤神經網路與深度學習應用實戰(深度學習實作是以 Keras、TensorFlow 深度學習平台為主)

    • 深度學習導論

      • 機器學習 vs 深度學習

      • 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… )

    • 開發環境建置與操作 - Google Colaboratory

      • Google GPU環境設定教學 & 常用指令

    • 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)、SGD(隨機梯度下降法)、Momentum(動量法)、Adam(適應性矩估計)…

        • 過擬合(Overfitting)處理:Dropout、Regularization

        • 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實作乳腺癌診斷分析

    • 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

        • 其他方法說明:Backpropagation(反向傳播法)、Autoencoder

        • 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:卡通圖像角色辨識模型實作(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

        • Early Stopping

        • 應用說明:時間序列(Time series)、詞向量(word vector / word embedding)、自然語言處理(Nature language processing)、語音辨識

        • 主題實作:美國國際航空乘客量分析情緒分析中英翻譯

      • 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:梵谷畫作風格轉換

      • 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)

      • 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解說

          • 逆向增強式學習 (Inverse Reinforcement Learning)

          • 主題解說:訓練電腦玩遊戲機器人運動控制

      • 推薦系統(Recommender Systems)

      • 發展與部署深度學習系統時,在操作層面上的考量

    • 深度學習應用主題解說

      • 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

      • 主題式物件辨識(object detection)

        • 影像Lable方法解說

        • YOLO模型教學

        • YOLO模型實作解說

      • 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

PS.實戰演練的範例將會依據產業界的實際狀況進行調整

第二階段 AIoT邊緣運算與影像辨識整合實戰
「人工智慧的價值必須靠物聯網實現;物聯網的價值必須靠人工智慧延伸」,IoT物聯網是目前影響我們生活最深,也是AI應用層面最廣的領域之一。像是中山大學教授們用AI+IoT的技術養出肥美又Q甜的蝦讓AI透過監控水質狀態來提早預測蝦隻生長活力,作為漁民決策判斷的重要依據,解決漁民無法肉眼監控水質的痛點,提高蝦類養殖的育成率,這就是其中一個用AI結合IoT的成功案例。然而AI從雲端到應用落地的過程中存在著許多技術的「眉眉角角」,像是如何從終端裝置蒐集資料、如何確保資料間的數據能夠穩定傳輸、如何整理資料以符合模型訓練的要求、如何調校模型準確度等…,只要其中一個環節沒有做好,產出的結果跟預期可能就會有很大的落差。

為了幫助學員能實現更貼近生活的應用,講師將在本階段以業界開發AIoT產品的角度,讓你學會如何實現AIoT邊緣運算應用。教學上將會運用全球最風行的開源硬體Raspberry Pi與最火熱的邊緣運算裝置Intel神經網路加速棒 (Movidius Neural Compute Stick)並搭配Intel OpenVINO(Open Visual Inference and Neural network Optimization)工具包,結合課堂上所學的AI演算法/模型(SVM、Random Forest、Kmeans、DNN、CNN、RNN…等),從實做中讓你掌握業界開發AIoT產品的技術精隨,實現AI + IoT邊緣運算應用。透過此學習架構下,你的創意能更快與實務結合,培養出軟硬整合的能力,而不僅僅只是在電腦上跑演算法。唯有懂得軟硬整合的AI人才,才能在職場上創造難以取代的價值。

※點選課程可展開看更多

➤AI邊緣運算暖身技

    • 邊緣運算導論

      • 邊緣運算的趨勢與應用場域

      • AI硬體的戰場 : VPU、GPU、FPGA

      • AI領域的新藍海 : 嵌入式AI

    • Raspberry Pi必會操作教學

      • 規格與基本功能說明

      • 使用UART Console登入Raspberry Pi

      • 使用WiFi連接網際網路

      • Raspbian Linux 必會指令實作

      • 基本 I/O 控制

➤AI邊緣運算主題實作 (以下主題將擇二教學)

    • AI應用分析與專案製作(一):邊緣運算影像辨識實作

      • Intel神經加速棒 (NCS ,Movidius Neural Compute Stick)介紹

      • 虛擬機與ubuntu系統安裝教學

      • Intel OpenVINO(Open Visual Inference and Neural network Optimization)介紹與安裝教學

      • TensorFlow on your Raspberry Pi & NCS API設定

      • 人臉辨識與動態影像識別

    • AI應用分析與專案製作(二):智能皮膚檢測系統實作

      • 圖像檢測系統之整體架構介紹

      • 皮膚圖像訓練資料集之選用、分類與整理

      • 皮膚圖像深度學習模型之應用與解說

      • 皮膚圖像片模型之學習成效檢核、評估方式(accuracy、loss、confusion matrix…)

      • Python web框架(Flask)之使用與生產用途之環境建置方式介紹

      • Restful API 設計機制

    • AI應用分析與專案製作(三):人臉結帳智能系統實作

      • 人臉結帳智能系統之整體架構介紹

      • 人臉識別技術解說

        • 人臉偵測 mtcnn(Multi-task Cascaded Convolutional Networks)、opencv、dlib套件解說

        • 會員人臉資料前處理: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)

      • 消費訊息推播實作 : Python與node.js之整合應用(ex.Linebot)

      • 人臉結帳智能系統實現

    • AI應用分析與專案製作(四):智慧停車場車牌辨識系統實作

      • 智慧停車場車牌辨識系統之整體架構介紹

      • 車牌偵測

      • 車牌影像前/預處理:影像灰階化、邊緣檢測、形態學運算 車牌字元處理:字元分割、字元辨識

      • 智慧停車場車牌辨識系統實現

    • AI應用分析與專案製作(五):AIoT智能居家聲控系統實作

      • AIoT智能居家聲控系統實作之整體架構介紹

      • 語音訓練資料集之選用、分類與整理

      • 語音深度學習模型之應用與解說

      • 如何移植你的pre-trained model

      • 遠端控制之通訊協定實現 : MQTT

      • Python與node.js之整合應用:用line chatbot實現聲控系統

    • AI應用分析與專案製作(六):銀髮照護之跌倒偵測示警系統實作

      • 銀髮照護之跌倒偵測示警系統之整體架構介紹

      • 人體動作識別多任務深度學習模型解說:Multitask CNN

      • 人體動作識別多任務深度學習模型解說:Multitask CNN

      • 單人與雙人動作識別之pre-trained model載入

      • 警示訊息通知 : 蜂鳴器、line警示訊息推播

      • 銀髮照護之跌倒偵測示警系統實現

    • AI應用分析與專案製作(七):商品辨識智能系統實作

      • 商品辨識智能系統實作之整體架構介紹

      • 商品訓練資料集之選用、分類與整理

      • 商品(物件)偵測與辨識模型解說

      • 商品辨識pre-trained model載入

      • 商品辨識智能系統實現

PS.實戰演練的範例將會依據產業界的實際狀況進行調整

*本單元會依照實際上課狀況做專題的調整

*若您想對Python程式設計與資料工程有更紮實的學習,請見<Python資料科學>

學過AI深度學習與邊緣運算的學員也看了這些課程
AI邊緣運算實務應用與相關報導
AI 時尚商店

AI人工智慧相關新聞報導

課程諮詢

 歡迎企業包班內訓,立即洽詢(02)2316-7736!!

在一個快速變遷的世界裡,確定會失敗的唯一策略是:不冒險。如果你欣然擁抱趨勢,踏向偉大的大數據工程師修練之路,風向也會幫你一把。搭上艾鍗學院的學習列車,不可思議的旅程,從此開始!若您希望對本課程有更多了解,歡迎留下您的資料,或撥服務專線(02)2316-7736,艾鍗學院將竭誠為您服務喔!

0403 jeff bezos amazon 400x400

Amazon創辦人 Jeff.Bezos︰

當你抵抗趨勢,那你就是在和未來作對。

但若你選擇欣然擁抱,風向會幫你一把。

 

728x90企業預付 1

AI深度學習與邊緣運算 假日進修班開課日期:108/7/28(日) 上課時間:09:30~17:30 課程時段:假日班最後5位名額,欲洽從速!