Python機器學習模型實作.
機器學習理論是電腦視覺工程師或是資訊科學家的必備技能，亦是深度學習技術的根本..
| 課程代碼 2322090023 Python機器學習模型實作 課程型態/ 線上同步 上課地址/ 工研院產業學院 台北學習中心，實際上課地點，請依上課通知為準。 時數/ 12小時 起迄日期/ 2023/12/07~2023/12/21 聯絡資訊/ 李晨安 23701111＃316 or 827316 報名截止日/ 2023/11/30 |
||||||||
課程介紹近年來深度學習技術在各種機器學習任務上達到前所未有的精度，這樣的突破使得自駕車或是機器人中，感知系統的可靠度有了極大的提升。欲開發深度學習模型，深度學習框架的選擇是相當重要的。 PyTorch為FAIR (Facebook AI Research)於2017年所開放的深度學習框架，過去兩年在深度學習、電腦視覺、自然語言處理等頂會中的使用率，已經全面超越Tensorflow。相較於Tensorflow，PyTorch容易上手、搭建模型效率極高，程式碼卻更為簡潔，因此，許多最新的深度學習模型都是運用PyTorch實現。 本課程除了簡介深度學習的基本原理以及訓練細節，還會介紹各種深度學習模型，其中包括了影像分類(從Alexnet到ResNet)、物件偵測(YOLOv1-YOLOv7)、影像分割(FCN, DeepLabv1, DeepLabv1, DeepLabv3,DeepLabv3+)，甚至是生成式對抗網路(CGAN, pix2pix, CycleGAN, StarGAN, CyEDA)，尤其是如何運用這些模型在自駕車或是機器人的感知系統中。 經過本次課程的洗禮，您將學會(1)從頭訓練一個深度學習網路，(2)在訓練效果不佳時，如何有系統的調整超參數以提升辨識率，(3)運用適當的模型解決工作上的需求，尤其是如何訓練一個能在效能與計算量間得到平衡的模型。
課程目標
本課程所有的程式都將在Colab此雲端平台上開發，實作範例包含資料以及程式碼都會提供，本次課程的內容包括了: 1. 深度學習(Deep Learning)簡介 2. 卷積神經網路之訓練細節簡介 3. 知名卷積神經網路(CNN)簡介(從Alexnet到ResNet) 4. 基礎神經網路實作:比較神經網路倒傳遞以Python實作與運用PyTorch自動微分間的差異 5. 運用遷移學習之圖片分類模型實作：
6. 物體偵測模型簡介與實作:
7. 語義影像分割模型簡介與實作:
8. 生成式對抗網路簡介與實作:
訓練對象
講師簡介林哲聰 老師
加州大學聖塔芭芭拉分校資工系訪問研究員
上奇資訊-計算機概論 共同譯者
2010 伽利略創新大賽 台灣區季軍
2011 伽利略創新大賽 特別獎(GNSS Living Lab)得主
2013 伽利略創新大賽 瑞士區冠軍
2016 日本立命館大學英文演講比賽 清華大學代表
2017 CVGIP 行人偵測競賽 亞軍
2017 MOST 生成式對抗網路競賽 佳作
2018第八屆兩岸清華研究生學術論壇 清華大學代表
2019 IEEE ICIP Three Minute Thesis Competition (3MT®): Finalist
2020 AI智慧應用新世代人才培育計畫-人才解題實證(倒車攝影機影像識別-障礙物與逼近偵測)：佳作
2020 中華民國影像處理與圖形識別學會第十三屆博碩士論文獎博士論文佳作
2020 中華民國資訊學會碩博士最佳論文獎-博士論文佳作
已於車用影像安全警示系統領域中發表過二十五篇國際論文，十五篇國內論文，以及十三篇專利。
開課資訊
2.傳真報名：填妥報名表傳真至02-23811000
課程費用
注意事項
附件 |
