:::

企業 AIoT 及 AIGC 建模師技術培訓課程

購課資訊

企業 AIoT 及 AIGC 建模師

NT 30000 / 課程

有興趣於了解 AI 模型設計思維、開發技術、管理方法和晶片化商業策略者。其中，熟悉程式設計者，可以使用 Python 來操作 TensorFlow;而不諳 Python 者，則可使用 Excel 來操作幕後的 TensorFlow 來訓練 AI 模型。然後，也學習使用 PLC 和 EDA 等晶片設計環境。

付款方式（皮路支付）

皮路的付款說明

什麼是皮路？

皮路PiiLuu為紅陽支付股份有限公司創新支付方式，與大東海合作，讓大東海學員在新時代中『掌握額度，聰明消費』，享受『先買後付』支付快金流。

PS：現在下載APP，輸入畫面中專屬推薦碼，即可取得商城專屬消費額度！

大東海推薦碼

皮路付款AI01 — 皮路付款 AI01

皮路付款AI01 — 皮路付款 AI02

皮路付款AI01 — 皮路付款 AI03

<課程-1> 大綱

課程名稱: 企業 AIoT 及 AIGC 建模師技術課程
課程大綱(4 天，共 24 小時)

單元	內容
1 、人工智慧(AI)與機器學習(ML)	AI 人工智慧簡介 AI 的現況與未來機器學習(ML:Machine Learning) 深度學習(Deep Learning)
2 、 ML 與神經網路原理	ML 的特色:從資料中自主學習神經網路的原理介紹機器學習平台:Google 的 TensorFlow
3 、從一個完整的建模案例(GAN)出發 --- 使用 Pytorch 建模，及耐能 KL520 晶片進行推論	GAN:最有趣的 AI 模型學習 GAN:從分類器出發使用<零編程>的 TM(Teachable machine)分類器親自體驗<零編程>的 TM 學習流程觀摩 Pytorch 實現 GAN 模型設計&訓練流程實戰案例解析:醫療 3D 影像 GAN 模型運行於耐能的 KL520 晶片上
4 、 AI 模型的設計、優化與推論的流程 --- 以耐能 KL520 為例	邏輯回歸(Regression)分析多項特徵的二元分類 Sigmoid 一般化:Softmax 函數深度神經網路(DNN) 熟悉耐能 AI Toolchain 的使用流程
5 、核心觀念:空間對映 (Space-Mapping)	關鍵的對映公式:X*W+B=Y 對映公式裡，<W>和<B>的意義激活函數:從 Y 對映到 Z 空間多維度的空間對映設定目標(Target)點逐步尋找 W 和 B ，並計算預測值根據<預測值>來分類
6 、關鍵技術:潛藏空間 (Latent Space)	潛藏空間的特點:客戶看不見它是讓 AI 需求與晶片設計疏結合(Loosely-coupling)關鍵是 AI 與 Chip 設計師協同設計(Co-design)揮灑的空間範例:GAN 模型裡的潛藏空間範例:醫療癌症偵測 AI 模型裡的潛藏空間範例:NLP 模型裡的潛藏空間
7 、 AI 模型設計的雕龍十八招(一) 應用案例:語音(Speech)識別	第 1 招:Auto-Encoder(自編碼) 第 2 招:Correlations(複雜回歸) 第 3 招:One-Hot-Encoding(獨熱編碼) 第 4 招:Collaborative filtering(協同過濾) 第 5 招:Similarity(相似度) 第 6 招:Convolution(卷積) 實戰案例解析:自動萃取聲音的特徵使用<零編程>的 TM:分辨歌名語音使用 Python/TensorFlow 製作<AI 點歌>模型運行於耐能的 KL520 晶片上
8 、 AI 模型設計的雕龍十八招(二) 應用案例:BERT 遷移學習	第 7 招:Expert intuition(專家直覺) 第 8 招:Transfer learning(遷移學習) 第 9 招:NLP + Attention(注意力) 第 10 招:GAN:NFT 元宇宙的科幻繪筆第 11 招:AI 生成藝術與 NFT 第 12 招:Transfer to Robots(智慧移植到機器人) 實戰案例解析:自然語言(NLP)的 Transformer 機制熟悉遷移學習(Transfer learning):以 BERT 為例設計 NLP 對話機器人運行於耐能的 Intel NCS2 神經加速棒
9 、 AI 模型設計的雕龍十八招(三) 應用案例:AR 瑕疵檢測+耐能 AI 晶片	第 12 招:使用 GAN 創作自己的藝術品第 13 招:熟悉 Edge AI 晶片的特點第 14 招:深入掌握 AI 晶片產業發展第 15 招:開發 IntelAI 晶片各種應用第 16 招:開發耐能 AI 晶片各種應用第 17 招:Edge AI 與 Cloud 服務的結合第 18 招:LinBots(智慧移植到機器人) 實戰案例解析:AI 瑕疵檢測與 AR 設備結合觀摩智泰公司的 AI 瑕疵檢測系統觀摩 FacePro 的 AR 眼鏡討論:瑕疵檢測+AR 眼鏡+耐能 AI 晶片的創新組合
10 、 Edge AI 實務經驗: 分享高煥堂指導的 2021 年 Intel AI 大賽亞軍作品	2021 年台灣 Intel AI 大賽，神櫻團隊榮獲第二名(亞軍) 作品目標:基於 OpenVINO 實踐醫療領域的聯邦式學習&分散式協同推理架構作品架構:本案例啟動了 4 個引擎，來支撐聯邦式機器學習，包括 1 個 Intel CPU 、 2 個 NCS 和一個耐能 KL520 。展現出 OpenVINO 架構的異質性分散式協同推理綜效
11 、回顧:目前常見的 AI 晶片化模式	目前大多採取行業別垂直設計，針對行業特殊需求而設計 AI 模型 AI 模型與晶片之間是緊密結合關係不具復用性和共享性，局限於簡單 AI 功能
12 、前瞻:全生態的 AI 晶片化新策略	由 AI 和晶片設計師進行協同設計建立潛藏空間裡各模型組件的階層體系，有機組合出複雜的 AI 功能促進跨行業共享潛藏空間組件，擴大 AI 晶片的市場和商機 AI 模型與晶片之間是疏結合關係，確保底層 Chip 設計的變動自由度，大幅降低風險、並容易優化品質