“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。
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。
- 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。
- 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。
※點選▼可展開看更多
▶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
▶人工智慧導論
▶熱門AI應用介紹
▶名人講堂-導入AI方法
▶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、Titanic鐵達尼號生存率預測、共享單車租借輛預測分析等
▶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… )
- Google GPU環境設定教學 & 常用指令
-
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
-
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
-
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
▶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
- 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
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
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
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)
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
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
● 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
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!
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.我想了解更多影像相關技術,還有哪些資源?