課程採實體上課與遠端線上同步教學
課程目標
- 具備AI關鍵技術開發能力及影像偵測與辨識技能。
- 利用OpenCV 4.x 處理影像視覺等相關設計問題。
- 可再進一步延伸於多方面的應用，諸如網路爬蟲、數據分析、Web程式、機器學習等。
- 熟悉Python程式開發應用領域，也能藉由Python package實作機器學習演算法，藉此有能力解決工作上及日常生活中的分析需求。
- 循序漸進、由淺入深地帶領大家理解深度學習的內容，包含常見的CNN與LSTM演算法，並且透過相關的Python package手把手的帶領大家實作各種不同的深度學習專案。
學員結訓具備技能
- 利用OpenCV 4.x 處理程式設計與視覺問題。
- 了解程式語言的架構、特性及開發方式並活使OpenCV相關函式庫。
- 實現具影像處理功能的人工智慧應用系統。
Ch1 - 影像處理與辨識基礎理論
課程內容
- 載入圖檔並顯示
- 色彩空間
- 寫入圖片檔案
Ch2 - OpenCV影像處理應用
課程內容
- OpenCV架構
- 影像二維處理
- 影像強化
- 影像前處理-二值化、閾值分析
- 影像濾鏡應用-模糊
- 影像縮放
Ch3 - 邊界偵測
課程內容
- 常見邊緣檢測法
- Canny邊緣檢測（Edge Detection）
Ch4 - 特徵偵測
課程內容
- 取得影像的特徵點
- 特徵點描述及比對
Ch5 - 物體偵測
課程內容
- 人臉偵測與人臉識別
- 機器學習演算法
- 資料訓練與分類模型建立
- 圖形分類
- 視覺化二維資料分群
- 手寫資料測試
Ch6 - 動態物體偵測
課程內容
- 偵測移動物體
- 臨界值處理
Ch7 - DLib影像辨識應用
課程內容
- Dlib套件應用
- Dlib特徵點描述
Ch8 - HOG應用
課程內容
- HOG特徵原理
- HOG比對應用
Ch9 - LBP應用
課程內容
- LBP特徵原理
- LBP特徵匹配與應用
Ch10 - 機器學習
課程內容
- 監督式學習方法（線性回歸, SVM, Decision Tree…）
- 非監督式學習方法（K-menas,K-means++…）
Ch11 - 機器學習相關應用
課程內容
- 介紹Scikit-learn套件
- 介紹資料標準化（Standardization）、資料清理（Data Cleaning）、補值等資料前處理概念
- 利用Scikit-learn套件建立監督式以及非監督是方法之分類器
Ch12 - 深度學習
課程內容
- 介紹神經元（Neuron）
- 類神經網路（Neural Network）
- 深度學習之應用範圍
- 激勵函數（Activation function）
- 深度學習相關內容
Ch13 - 類神經網路架構（DNN、CNN、RNN…）
課程內容
- 介紹CNN的網路架構
- 利用CNN建立圖像辨識分類器
- 建立CNN架構
- 介紹RNN的網路架構
- 利用RNN建立文章分類器
- 建立RNN架構
實作內容
課程內容
- OpenCV 4.x 影像處理實作
- 影像偵測與擷取模組應用
- 物體偵測與辨識
- 手勢偵測與辨識
- 數字偵測與辨識
- 數字偵測與辨識
- 人臉偵測與辨識
- 材質紋理分類應用
- 圖形紋理分類應用
- 機器學習整合應用
