linux

 

banner728x350

課程介紹

善用新科技,已是企業經營所不可忽視的重點。對於企業員工而言,能減少在繁瑣、無趣的工作處理,空出更多時間,專注於更多創造性、批判性思維的工作,或是增加與客戶互動的時間,將能帶給企業更大的價值。而AI(Artificial Intelligence,人工智慧)與ROS(Robot Operation System,機器人作業系統)技術,是這個時代中最令人矚目,也是最能提升生產效率的新科技之一。而像是BMW、SIEMENS、JOHN DEERE、ABB、YASKAWA等國際大廠,都已導入AI與ROS技術,用智慧化機器人為廠內的自動化進行升級。而擁有硬體優勢的台灣企業,若能掌握AI和ROS的技術,除了能提升企業內部的生產效率,並且和國際大廠的銜接將更容易,比競爭對手享有更多的商機

 

本課程以雙主軸的實務教學幫你培養AI與ROS的關鍵職能。在AI主題中,講師將幫你建立對AI人工智慧的正確認知,透過淺顯易懂的概念和產業實務,讓你從實做中,循序漸進學會資料處理的Python套件(Numpy、Pandas、Scipy、Matplotlib、Seaborn等);學會用scikit-learn實現機器學習演算法(Regression、Decision Forest、KNN或Kmeans等)、驗證模型績效,並進行參數調校來優化模型;學會用Keras、TensorFlow進行卷積神經網路(CNN)、遞歸神經網路(RNN)、強化學習(Reinforcement learning)、生成對抗網路(Generative Adversarial Networks)等神經網路的搭建,實現如產線優化、設備監診與預防性維保、人臉辨識、語音辨識等實務應用。在ROS主題中,講師將以最淺顯易懂的教學方式,搭配ROS認證機器人Turtlebot與程式開發實作,在ROS的開源平台下,帶你了解如何進行系統開發規劃,能快速上手ROS機器人開發關鍵套件的使用方法,例如gmapping(地圖構建開源套件)、move_base(路徑規劃套件)。讓你能靈活運用各種機器人相關研究的資源和演算法(Laser-based SLAM、Navigation),並懂得ROS參數調教技巧與涵義,快速掌握機器人的開發關鍵,生產環境的自動化進行升級。培養AI與ROS的技能,更能與國際商機銜接,強化無可取代的能力。只要你懂得擁抱趨勢,那麼風向也會幫你一把。

 

<圖為已導入AI與ROS的國際大廠> 

ros in industry

 

The automation of Fast Retailing's Ariake warehouse

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自動化開發職能。


特色1:一對一小班制互動教學,學習更有感

艾鍗課程堅持良好的培訓品質,採小班制教學,讓講師可以兼顧到每位學員的學習需求。學員在課堂上提出問題,像是主題觀念、套件安裝、GPU設定、解題方法、程式除錯、參數調教、蘋果電腦相容性等問題,甚至是實務開發上的問題,都能得到講師一對一的指導。只要你願意問,老師會講解到你懂為止。

 ai ros img2

特色2:產業實務實戰教材,與業界所需接軌

本課程學員來自各個產業(科技、金融、零售、製造、醫療、運輸、營建、教育、軍警等),目的為學會AI技術來解決工作所遇到的痛點。因此,本課程在教材的編撰上,除了有經典的範例外,講師還精心挑選許多產業實例,像是產品銷量預測、信用分數判定、產線分析、情緒分析、病因歸納、瑕疵品分析等,幫助學員可以在不同的產業中學習解決問題的方法與思維。每個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,大大縮短專案開發的時間。這個時代中,懂得如何使用輪子比懂得如何造輪子還要重要。

 big data class

特色3:專業教練式指導,快速聚焦問題核心

講師在業界已經累積10多年的開發經驗,是學員在學習AI的路上,最好的教練。透過課堂上的問題交流,講師會提供你高品質的建議回饋,指出你問題點,引導你去思考,並且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。

 ai ros img1

特色4:目標式實作教學,紮實累積AI職能

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,以目標式實作的教學方式設計教材,以明顯易懂的觀念,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。透過課堂上和課後進行有目的性的反覆練習,成功將這些AI知識真正內化成自己的職能。

 ai ros img4

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。

ai ros img5

學習目標

  1. 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。
  2. 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。
  3. 學會全球最主流的ROS機器人系統開發環境實務技巧,並能活用ROS機器人系統開發的常用套件(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…)
  4. 理解AI與ROS系統開發流程,並具備查找與整合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ROS系統開發有興趣或即將投入此領域的您。
  • 即將投入ROS系統開發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ROS系統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ROS系統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。
ai-edge

職涯方向

  • AI演算法工程師 / AI應用系統開發工程師 / AI產品專案PM...。
  • 機器人軟體研發工程師 / 機器人演算法工程師 / 機器人自動化工程師 / 機器人視覺研發工程師...。

課程大綱

主題1: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、工廠預防性維寶之CNC工具磨耗檢測
▶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)
  • 機器學習專案實務
    • 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
主題2: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
    • 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
▶實務問題與解決方案探討

PS.實戰演練的範例將會依據產業界的實際狀況進行調整
主題3:ROS機器人自動化開發


▶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)
▶ROS系統程式開發實作
  • 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
應用實例

機器人開發

無人機開發

自駕車開發

AIoT應用

工業應用

工業應用 ROS-I Five Years Montage

艾鍗師資群介紹

teacher

Elvis

  • 美國聖路易大學生物資訊博士
  • 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

teacher

Jeffery

  • 台灣大學土木工程研究所博士
  • 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

teacher

Tim

  • 輔仁大學應用科學與工程研究所博士
  • 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

teacher5

Lau

  • 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)

teacher

Bob

  • 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

teacher

Jay

  • 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

ROS class link 01 01 01 01

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AI智慧機器人開發之路,風向也會幫你一把。搭上艾s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!

 

常見問題

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。

4.AI能為企業帶來什麼價值呢?

AI藉由大量資料建立規則而具有知識,透過演算法來分析數據、從中學習來判斷或預測現實世界裡的某些事,挖掘數據背後的價值。因此讓機器具有「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。

5.ROS能為企業帶來什麼價值?

ROS為全球最主流的機器人作業系統之一,支援C++、Python多種程式語言,銜接豐沛開源資源,發展彈性與擴展性高。開發者在ROS作業系統的標準化開發框架中,能以原有的原始碼進行新增功能擴展,便於後續整合開發或相關開源資源的重複利用,可加快較耗時、耗資源的機器人導航、定位與路徑規劃等基礎設計架構,且透過完整、可搭配開源專案的ROS核心加上SLAM(simultaneous localization and mapping)即時定位與地圖建構演算法,可縮短前期開發摸索與試誤的耗時,加速自動化產品開發時程,深入進行進階演算法開發與驗證程序,進而達到降低研發成本、縮短上市時間目的。

學過AI人工智慧與ROS自動化系統的學員也看了這些課程
AI人工智慧與ROS自動化系統開發實戰 假日進修班開課日期:108/04/28(日) 上課時間:09:30~17:30 課程時段:假日班