• 物聯網導論

• 課程介紹與學習地圖

• 什麼是物聯網

• IoT系統架構

• CoAP

• IoT架構標準

• CoAP協定

• CoAP Lab

• MQTT

• MQTT協定

• MQTT Lab

• Web基礎概念

• Web 技術前端技術架構簡介

• HTML 簡介與Tag 概念

• CSS 簡介與Style 屬性

• JavaScript程式設計

• 關於JavaScript

• 開發方式與除錯方法

• JavaScript 操作HTML DOM & Browser Object Model

• JavaScript 變數 & 基本資料型態

• JavaScript運算式與運算子

• JavaScript物件 型態

• JavaScript陣列 型態

• JavaScript函式

• call by value & call by reference

• Self-Invoking Functions

• Nested Function

• Function Closures

• JavaScript 數值處理與型別轉換

• JavaScript Array Methods

• push , pop, split, map ,…

• JavaScript Timing Events

• JavaScript類別定義 (Object with property and method)

• JSON資料格式與處理

• Image Map

• 使用JQuery

• JQuery 簡介

• JavaScript vs JQuery

• JQuery selectors

• JQuery操作HTML DOM

• JQuery操作CSS

• JQuery Form表單處理

• HTTP GET vs HTTP POST

• JQuery AJAX

• 關於Node.js

• 非同步式 I/O 與事件式程式設計

• 安裝Node.js

• Node Package Manage-npm

• 製作package.json

• 我的第一個node.js "Hello world"

• Node.js HTTP 請求與回應

• Node.js 處理HTTP Get & Post

• Express HTTP Server提供靜態檔案

• 用Express處理HTTP Get & Post

• Node.js 其他模組

• The WebSocket Protocol

• 各種Web 通訊方法

• Long Polling技術

• Lab:實驗: Websocket 前後端通訊

• Lab:實驗: 建立多人聊天室

• MongoDB

• MongoDB 簡介與使用

• Node.js 操作MongoDB

• Lab實驗: 使用Node.js 進行新增/查詢/更新/刪除 MongoDB

• HTML Template Engine

• Why use Template Engine ?

• Handlebars.js Template Engine

• Handlebars.js 的運作流程說明

• Client Side HTML範本引擎 (Template Engine)

• 實驗 Handlebars.js

• Node.js-based IO

• Node.js-based GPIO Helper for Raspberry Pi
• Node.js-based Serial Port (UART) 序列資料讀取
  • Node.js 讀取Micro:bit 資料使用序列界面
  • Canvas.js 動態折線圖
  • 使用瀏覽器顯示Micro:bit狀態(A,B按鍵與加速度計值)

• ARM mbed 物聯網平台實戰

• ARM mbed Device Sever 簡介

• mbed client 編譯

• mbed client程式架構解說

• mbed API( Node.js 語言)

• Demo: ARM mbed project + Raspberry Pi

• Raspberry Pi 使用

• Raspberry Pi 3 簡介

• Raspberry Pi 使用 (包含Linux系統檔案系統與常用指令說明)

• 數位介面

• 感測器介面與Pi子卡介紹

• 數位感測器讀取

• GPIO

• 使用BCM2835 Peripheral Library

• LED, Button, PIR, Relay

• PWM (SG90伺服馬達控制)

• I2C 工作原理

• I2C OLED (SSD1306Z)

• I2C G-Sensor (LIS3DH)

• SPI 工作原理

• UART Interface - PM2.5

• Modbus over RS485

• 類比界面

• ADC (MCP3008) 使用SPI界面

• LineBot(Youtub Demo)

• Node-Red

• Python實作環境建置-Jupyter Notebook功能教學

• 基本Python程式語言操作、資料格式

• Python常用工程計算函式庫: Numpy、Pandas、Scipy

• Github使用教學

• 什麼是資料工程：資料工程簡介與資料工程的流程

• 基本資料採集與預處理-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)

• 資料清理(Data Cleanup)

• 進階資料處理

• 結構式查詢語言(SQL) 簡介與實例操作

• 資料整理套件dplyr介紹，及其資料文法(Grammar of Data) 簡介與實例操作

• 探索性資料分析(Exploratory Data Analysis, EDA)：運用視覺化、基本統計等工具，先「看」一下資料

• 資料視覺化：使用matplotlib函式庫實作各類顯示圖表，例如：直方圖、圓餅圖、趨勢圖、樹狀圖等

• 互動式視覺化(Interactive Visualization)
  

• 文字探勘 (Text Mining)實例

• 自然語言處理概念介紹：斷詞、停用詞、n-gram斷詞方法

• 利用中文斷詞處理(Jieba)函式庫與頻率分析方法，進行文字雲的建構

• 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? 

• 機器學習的實現程序? 監督式學習 ?非監督式學習? ...

• 名詞介紹: Model、特徵、標籤、Training data 、 Testing data、Deep Learning、CNN、...

機器學習實作是以Scikit Learn、Spark 為主

• Regression 迴歸

• 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 Overfitting ? Underfitting

• 交叉驗證法(Cross Validation)

• 拔靴驗證法(Bootstrap Validation)

• Dimension Reduction - PCA

• 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

• 分類(Classification)

• 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)概念解說與實作

• 如何有效進行實驗性設計(Experimental Design)

• Spark平台介紹與開發環境建立實作

• MapReduce演算法與Hadoop簡介

• 在Windows與Ubuntu上安裝Spark

• 學習如何在Spark上使用Scikit-learn機器學習套件

• 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。

• 專案目標一： 利用迴歸方法建立初步的良率出影響良率的因子以及預測準度。

• 專案目標二： 利用其他的機器學習方法，包括單一 的機器學習方法或是多個機器學習方法整合，有效地找出影響良率的重要因子與預測準度。

深度學習實作是以 Keras、TensorFlow 深度學習平台為主

• 深度學習架構

• Deeper Nerual Network (DNN)

• Nerual Network 的基本原理與架構
  
• Activation Function: Relu, momentum, .
• Batch size ? Epoch ? overfitting? Droput
• 實戰演練

• 卷積神經網路(CNN):

• 卷積層(Convolutional layer)及池化層(Pooling layer)
• 影像處理(Convolutional Networks and Image Processing)應用
• 實戰演練

• 遞歸神經網路(RNN)

• 時間、序列與重複性網路
• 時間序列(Time series)、自然語言處理(Nature language processing)、語音辨識
• 實戰演練

• 深度學習應用

• 生成網路(Generative Networks)

• 生成器 (Generator) 和鑑別器 (Discriminator)

• 改進的版本介紹

• 強化學習(Reinforcement learning)

• 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

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

• 代理人技術與增強式學習(Agents and Reinforcement Learning)

• 發展與部署深度學習系統時，在操作層面上的考量

#嵌入式Linux開發實務

#OpenCV電腦視覺與影像處理實務

#嵌入式Linux開發實務

#深度學習實戰

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#ARM mbed物聯網整合應用

#深度學習實戰

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#ARM mbed物聯網整合應用

#深度學習實戰

#嵌入式Linux開發實務

#MCU韌體開發實戰

#OpenCV電腦視覺與影像處理實務

#ARM mbed物聯網整合應用

#深度學習實戰

#AIoT智能物聯網平台開發人才養成班

#嵌入式Linux開發實務

#MCU韌體開發實戰

#ARM mbed物聯網整合應用

#OpenCV電腦視覺與影像處理實務

#深度學習實戰

#AIoT智能物聯網平台開發人才養成班

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#深度學習實戰

#醫療電子產品開發人才養成班

#嵌入式Linux開發實務

#MCU韌體開發實戰

#FPGA數位IC設計實戰

#OpenCV電腦視覺與影像處理實務

#深度學習實戰

#AIoT智能物聯網平台開發人才養成班