智慧製造 AI 實務應用
「智慧製造 AI 實務應用」是一門透過 AI 技術應用進行製造流程轉型，提升效率、品質與價值的課程。
本課程將以工業 4.0 的理念為基礎，引導學員透過資料科學方法論，從資料分析與前處理、AI 模型介紹與技術應用開發到 AI 系統的建立，並實作三大 AI 技術主題：
(1) 應用統計/機器學習模型，針對數據資訊進行分析與決策判斷。
(2) 應用電腦視覺技術，開發物件辨識、影像切割、瑕疵檢測等模型。
- 識別物件、影像處理與分析、自動偵測瑕疵，提升品管效率和準確度。
(3) 應用時間序列技術，進行價格預測、設備健康檢測與機台異常監測。
- 預測價格波動，設備壽命預測，與偵測異常事件，降低生產風險。
本課程核心的技術使用：Python、Scikit-Learn 與 Tensorflow 等，進行開發統計、機器學習與深度學習模型等實務，並透過介紹生成式 AI 的應用實務，加速程式碼開發的效率；除了實務的專題外，課程設計更加入可解釋性人工智慧、自監督式學習等新技術領域介紹，提供學員發展智慧製造的應用契機。
更多課程內容詳請參考內容大綱，本課程將有效協助您在智慧製造領域中創造更多價值，我們也將透過課程建立交流群組，提供企業間交流、徵才、策略合作、企業內訓、專案合作開發等加值服務。
誠摯地邀請您一同學習，讓我們攜手發展智慧製造新時代！
本課程將以工業 4.0 的理念為基礎，引導學員透過資料科學方法論，從資料分析與前處理、AI 模型介紹與技術應用開發到 AI 系統的建立，並實作三大 AI 技術主題：
(1) 應用統計/機器學習模型，針對數據資訊進行分析與決策判斷。
(2) 應用電腦視覺技術，開發物件辨識、影像切割、瑕疵檢測等模型。
- 識別物件、影像處理與分析、自動偵測瑕疵，提升品管效率和準確度。
(3) 應用時間序列技術，進行價格預測、設備健康檢測與機台異常監測。
- 預測價格波動，設備壽命預測，與偵測異常事件，降低生產風險。
本課程核心的技術使用：Python、Scikit-Learn 與 Tensorflow 等，進行開發統計、機器學習與深度學習模型等實務，並透過介紹生成式 AI 的應用實務，加速程式碼開發的效率；除了實務的專題外，課程設計更加入可解釋性人工智慧、自監督式學習等新技術領域介紹，提供學員發展智慧製造的應用契機。
更多課程內容詳請參考內容大綱，本課程將有效協助您在智慧製造領域中創造更多價值，我們也將透過課程建立交流群組，提供企業間交流、徵才、策略合作、企業內訓、專案合作開發等加值服務。
誠摯地邀請您一同學習，讓我們攜手發展智慧製造新時代！
開課單位：智悠科技有限公司
課程大綱：【單元一】工業 4.0：資料科學方法論
1. 工業 4.0
2. 資料科學方法論
3. Python 開發基礎
4. 資料處理方法
（1）探索式資料分析
（2）資料清理（缺失值、離群值）
（3）特徵工程（標準化、編碼）
（4）資料視覺化
5. 場景應用專題
【單元二】統計到機器學習
1. 基礎統計
2. 分類、回歸、分群
3. 模型表現評估指標
4. 預測問題：
（1）線性回歸模型
（2）正規化回歸（Regularized Regression）
（3）穩健回歸（Robust Regression）
5. 樹模型：決策樹（Decision Tree）
6. 集成模型（Ensemble）
（1）隨機森林（Random Forest）
（2）梯度提升（Gradient Boosting）
（3）極限梯度提升（eXtreme Gradient Boosting）
【單元三】深度學習主流任務
1. 深度學習基礎模型：DL、CNN、RNN
2. 電腦視覺整合應用
（1）影像分類（Image Classification）
（2）物件偵測（Object Detection）
（3）影像切割（Image Segmentation）
（4）超解析度成像（Super Resolution）
3. 可解釋性人工智慧（XAI）：CAM, LIME
4. 訓練樣本不足情境：自監督式學習
5. 場景應用專案：產線物件瑕疵檢測
【單元四】生成式AI延伸應用
1. GPT 發展歷程
2. ChatGPT 功能與使用
（1）智能搜尋：系統性資訊彙整
（2）程式碼撰寫Copilot
3. 實際應用：ChatGPT, Skype Bing, Bing Chat
4. 更多生成式AI應用：自動生成簡報、影像資料集自製
【單元五】製造產業實務：時間序列專題
1. 時序分析與預測
2. 資料屬性拆解
3. 時序演算法: 統計模型、機器學習模型
4. 模型飄移的監控
5. 場景應用專案：價格預測、設備健康、異常監測
【單元六】專題分享
1.學員專題分享
2.提供後續精進指引
3.課程結語
1. 工業 4.0
2. 資料科學方法論
3. Python 開發基礎
4. 資料處理方法
（1）探索式資料分析
（2）資料清理（缺失值、離群值）
（3）特徵工程（標準化、編碼）
（4）資料視覺化
5. 場景應用專題
【單元二】統計到機器學習
1. 基礎統計
2. 分類、回歸、分群
3. 模型表現評估指標
4. 預測問題：
（1）線性回歸模型
（2）正規化回歸（Regularized Regression）
（3）穩健回歸（Robust Regression）
5. 樹模型：決策樹（Decision Tree）
6. 集成模型（Ensemble）
（1）隨機森林（Random Forest）
（2）梯度提升（Gradient Boosting）
（3）極限梯度提升（eXtreme Gradient Boosting）
【單元三】深度學習主流任務
1. 深度學習基礎模型：DL、CNN、RNN
2. 電腦視覺整合應用
（1）影像分類（Image Classification）
（2）物件偵測（Object Detection）
（3）影像切割（Image Segmentation）
（4）超解析度成像（Super Resolution）
3. 可解釋性人工智慧（XAI）：CAM, LIME
4. 訓練樣本不足情境：自監督式學習
5. 場景應用專案：產線物件瑕疵檢測
【單元四】生成式AI延伸應用
1. GPT 發展歷程
2. ChatGPT 功能與使用
（1）智能搜尋：系統性資訊彙整
（2）程式碼撰寫Copilot
3. 實際應用：ChatGPT, Skype Bing, Bing Chat
4. 更多生成式AI應用：自動生成簡報、影像資料集自製
【單元五】製造產業實務：時間序列專題
1. 時序分析與預測
2. 資料屬性拆解
3. 時序演算法: 統計模型、機器學習模型
4. 模型飄移的監控
5. 場景應用專案：價格預測、設備健康、異常監測
【單元六】專題分享
1.學員專題分享
2.提供後續精進指引
3.課程結語
開課日期：2023-07-22
上課時間：每週六14:00~17:00
結束日期：2023-08-12
上課時數：12
預計招生人數：20
費用：學員負擔：3500元/政府負擔：3500元
繳費方式：需先至開課單位繳交全額費用
課程費用：7000元
聯絡人：鄭先生
連絡電話：0988402284
先備知識：1. 有 Python 基礎為佳
2. 若無 Python 基礎，本課程會在正式開課前一週，提供 Python 基礎教學影片
3. 具備製造業相關背景基礎知識
2. 若無 Python 基礎，本課程會在正式開課前一週，提供 Python 基礎教學影片
3. 具備製造業相關背景基礎知識
授課師資：鄭中嘉、吳彥霖、陳柏銓
招生對象：（1）製造業相關技術從業人員
（2）智慧製造產業，AI 技術需求者
（3）對可解釋性 AI 應用於製造業電腦視覺專案有興趣者
（4）想學習統計模型、機器學習、深度學習、電腦視覺的軟體工程師／資料科學家／AI 工程師 / 系統分析師
（5）想瞭解生成式 AI 如何加速程式碼開發的朋友
（2）智慧製造產業，AI 技術需求者
（3）對可解釋性 AI 應用於製造業電腦視覺專案有興趣者
（4）想學習統計模型、機器學習、深度學習、電腦視覺的軟體工程師／資料科學家／AI 工程師 / 系統分析師
（5）想瞭解生成式 AI 如何加速程式碼開發的朋友
上課地點：[遠距授課]Google Meet