AI正快速從「 Cloud雲端」走向「 Edge終端」

自然語言處理（Natural Language Processing，NLP）是計算機科學以及人工智慧的子領域，專注在如何讓計算機處理並分析大量（人類的）自然語言數據。

NLP常見的挑戰有語音辨識、自然語言理解、機器翻譯、聊天機器人以及自然語言的生成，是近幾年成長最迅速的AI應用。本課程將帶領學員了解NLP自然語言處理的任務與流程、中文自然語言處理及常見的文字編碼方式，並透過深度學習演算法與進階語言模型實作，進而實現AI主題專案：Telegram飯店業問答系統。課程搭配軟體套件使用，兼具理論與實作面向，讓你對NLP有完整的概念。

推薦系統應用將會介紹常見的推薦系統應用(產品/平台)，再以深入淺出的方式，說明推薦系統的經典演算法，以直觀的方式理解這些演算法的原理。

關鍵詞：人工智慧、機器學習、深度學習、AI、Python、自然語言處理、Natural Language Processing、NLP、Deep Learning、Keras、RNN、LSTM、BERT、聊天機器人、Chatbot、問答系統、Question Answering System、推薦系統、Recommendation System

1.了解NLP自然語言處理任務與流程，熟悉相關演算法。

2.學習NLP自然語言處理任務的文字探勘、句法分析、文本分類、資訊提取等。

3.了解深度學習RNN、LSTM、GRU、BERT模型的原理與運用方法。

4.瞭解問答系統(Question Answering System)之開發流程與要領。

5.了解推薦系統應用與推薦系統的經典演算法。

6.學會使用Tensorflow/Keras進行深層神經網路(DNN)實作

7.了解深度學習的原理及各種訓練技巧-Batch Normalization, Dropout, Early Stopping,…

※ 完訓後提供結業證書，豐富個人履歷即戰力

• 對於AI自然語言處理應用技術有興趣之工程師或研究生。
• 想進一步學習如何將AI演算法轉換成服務業、電商平台常用的功能或服務者。
• 須領導、管理AI開發專案者。
• 想了解NLP問答系統應用或對Chatbot聊天機器人、情緒分析、智能助理感興趣者

• 推薦系統的原理說明與實作練習
  - 基於內容的的推薦 (Content-based Recommendation)
  - 基於用戶的協同過濾((User-Based Collaborative Filtering)
  
  User-Based Collaborative Filtering
  
  

  - 基於物品的協同過濾 (Item-Based Collaborative Filtering)
  - 矩陣分解 (Matrix Factorization)
  - 實作練習：以iMDB電影推薦為例資料來源

  
  
  
  

  推薦系統 資料來源

  

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> 

The automation of Fast Retailing's Ariake warehouse

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。

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。

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。

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。

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。

• 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...。

• 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

• 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

• 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

• 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

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。