使用 Python 的電腦視覺培訓

這門為期密集且注重實作的課程涵蓋了進階 Python 技術、工程最佳實踐以及常用的設計模式，旨在構建可維護、可測試且具備高效能的 Python 應用程式。課程強調現代化工具、型別註解、併發模型、架構模式，以及可部署的工作流程。

這門由講師主導的實時培訓（線上或線下）針對中階至進階 Python 開發人員，協助他們採用專業實踐和模式，以構建生產級別的 Python 系統。

完成本課程後，參與者將能夠：

• 運用 Python 型別註解、資料類別與型別檢查來提升程式碼可靠性。
• 使用設計模式與架構原則來構建健壯的應用程式結構。
• 正確實現併發與平行處理，使用 asyncio 和 multiprocessing。
• 使用 pytest、基於屬性的測試與 CI 管道構建經過良好測試的程式碼。
• 分析效能、最佳化並加固 Python 應用程式以用於生產環境。
• 使用現代化工具和容器對 Python 專案進行封裝、分發與部署。

課程形式

• 互動式講授與短演示。
• 每日實作實驗室與程式碼練習。
• 整合設計模式、測試與部署的結課專案。

課程客製化選項

• 若需客製化培訓或專注領域（資料、網頁或基礎設施），請聯繫我們安排。

本課程教授實用工程技術，以設計、建構、測試及部署基於 Python 的代理（自主）系統。內容涵蓋代理迴圈、工具整合、記憶體與狀態管理、編排模式、安全控制及生產環境考量。

此講師主導之實作培訓（線上或線下）旨在幫助中階至進階 ML 工程師、AI 開發人員及軟體工程師，利用 Python 建構穩固且可投入生產的自主代理系統。

課程結束後，學員將能夠：

• 設計並實現代理迴圈與決策工作流。
• 整合外部工具與 API，以擴展代理功能。
• 為代理系統實作短期與長期記憶體架構。
• 協調多步驟編排及代理組合性。
• 應用已部署代理之安全、存取控制及可觀測性最佳實踐。

課程形式

• 互動式講座與討論。
• 透過 Python 及主流 SDK 實作代理之手腦並用實驗室練習。
• 以專案為導向之練習，產出可部署的原型。

課程自訂選項

• 如需此課程的客製化培訓，請聯繫我們安排。

深入探討使用 Python 進行資料科學和人工智慧的實用方法，幫助專業人士掌握探索資料、建構機器學習模型以及部署業務情境中的人工智慧驅動應用程式的技能；涵蓋 CRISP-DM 工作流程、統計分析、監督式與非監督式學習、基於 Tensorflow 的深度學習、自然語言處理、基於 Spark 的大數據處理以及資料驅動的故事講述；適合希望取得 Python 資料科學認證並準備就任分析師職位的初學者。

使用Python的廣泛AI和機器學習函式庫生態系統，開發智能系統。

此課程為講師帶領的現場培訓（線上或線下），旨在幫助具備中階Python程式設計能力的學員，設計、實施並部署使用Python構建的AI解決方案。

完成本課程後，學員將能夠：

• 使用Python核心AI函式庫實施AI演算法。
• 處理監督式、非監督式和強化學習模型。
• 將AI解決方案整合至現有應用程式和工作流程中。
• 評估模型效能並優化準確率與效率。

課程形式

• 互動式講授與討論。
• 大量練習與實作。
• 在即時實驗室環境中進行動手實作。

課程客製化選項

• 如需此課程的客製化培訓，請聯繫我們以安排。

CANN SDK（神經網路計算架構）為電腦視覺和 NLP 的即時 AI 應用提供強大的部署與優化工具，特別是在華為昇騰硬體上。

這項由講師指導的現場培訓（線上或線下），旨在幫助中階 AI 從業人員使用 CANN SDK 建立、部署及優化視覺與語言模型，以滿足生產用例需求。

完成本課程後，學員將能夠：

• 使用 CANN 和 AscendCL 部署並優化 CV 和 NLP 模型。
• 使用 CANN 工具轉換模型，並將它們整合到即時管線中。
• 優化檢測、分類及情感分析等任務的推論效能。
• 為邊緣或雲端部署場景建立實時的 CV/NLP 管線。

課程格式

• 互動式講授與示範。
• 實作實驗室，包含模型部署與效能分析。
• 使用真實 CV 和 NLP 用例設計即時管線。

課程客製化選項

• 如需為本課程請求客製化培訓，請聯絡我們安排。

這門在台灣（線上或線下）進行、由講師帶領的現場培訓，旨在協助希望為自動駕駛應用程式建構穩健視覺系統的中階AI開發人員與電腦視覺工程師。

完成本培訓後，參與者將能夠：

• 理解自主車輛中電腦視覺的基本概念。
• 實作物體偵測、車道偵測和語意分割的演算法。
• 將視覺系統與其他自主車輛子系統整合。
• 應用深度學習技術進行進階感知任務。
• 評估真實場景中電腦視覺模型的效能。

此由講師主導的即時培訓 台灣（線上或線下），旨在協助高階專業人士深入理解電腦視覺，並探索使用 Google Colab 開發複雜視覺模型的 TensorFlow 能力。

在課程結束後，參與者將能夠：

• 使用 TensorFlow 建構和訓練卷積神經網路（CNN）。
• 利用 Google Colab 進行可擴展且高效的雲端模型開發。
• 實施用於電腦視覺任務的影像預處理技術。
• 將電腦視覺模型部署至實際應用場景。
• 使用遷移學習提升 CNN 模型的效能。
• 視覺化並解釋影像分類模型的結果。

本課程為由講師主導的現場培訓 台灣（線上或線下），主要針對希望提升使用 Pandas 和 NumPy 進行資料分析與操作技能的中级 Python 開發人員及資料分析師設計。

完成本培訓後，學員將能夠：

• 設定包含 Python、Pandas 和 NumPy 的開發環境。
• 使用 Pandas 和 NumPy 建立資料分析應用程式。
• 執行進階資料整理、排序及篩選操作。
• 進行聚合操作並分析時間序列資料。
• 使用 Matplotlib 和其他視覺化套件將資料視覺化。
• 除錯並優化其資料分析程式碼。

這項在 台灣（線上或線下）舉行的由講師主導的培訓，針對中階至高階的電腦視覺工程師、AI 開發人員及 IoT 專業人士，旨在協助其實作並優化用於在邊緣裝置上進行即時處理的電腦視覺模型。

完成本培訓後，學員將能夠：

• 掌握邊緣 AI 的基本概念及其在電腦視覺中的應用。
• 在邊緣裝置上部署經過優化的深度學習模型，以進行即時影像和視訊分析。
• 使用 TensorFlow Lite、OpenVINO 以及 NVIDIA Jetson SDK 等框架來部署模型。
• 優化 AI 模型的效能、功耗效率及低延遲推論。

本課程在 台灣 提供 live 培訓（線上或線下），旨在協助初階執法人員從手繪面部素描轉型為使用 AI 工具開發面部識別系統。

學員完成培訓後將能夠：

• 掌握人工智慧與機器學習的基本概念。
• 了解數位影像處理基礎及其在面部識別中的應用。
• 習得運用 AI 工具和框架構建面部識別模型的技能。
• 獲得創建、訓練及測試面部識別系統的實戰經驗。
• 理解面部識別技術使用的倫理考量與最佳實踐。

這項由導師主導的即時培訓（線上或線下）旨在幫助希望使用 FARM（FastAPI、React 和 MongoDB）技術棧來構建動態、高性能且可擴展的 Web 應用的開發者。

完成本培訓後，學員將能夠：

• 建立整合 FastAPI、React 和 MongoDB 的必要開發環境。
• 理解 FARM 技術棧的核心概念、功能與優勢。
• 學習如何使用 FastAPI 構建 REST API。
• 學習如何使用 React 設計互動式應用。
• 使用 FARM 技術棧開發、測試並部署應用（front-end 和 back-end）。

本課程為由講師指導的實作培訓（台灣，線上或線下），旨在協助開發者利用 Python 與 FastAPI 更輕鬆、快速地完成 RESTful API 的建構、測試與部署。

完成本課程後，參與者將能夠：

• 配置必要開發環境，以便使用 Python 和 FastAPI 開發 APIs。
• 利用 FastAPI 函式庫，更快、更輕鬆地建立 APIs。
• 學習如何基於 Pydantic 和 OpenAPI 建立資料模型與結構定義。
• 連接資料庫與 APIs，並使用 SQLAlchemy。
• 運用 FastAPI 工具實作 API 的安全性和身份驗證機制。
• 建構容器映像檔，並將 Web API 部署至雲端伺服器。

本課程在 台灣（線上或線下）提供由講師主導的即時培訓，旨在幫助初級至中級的研究人員和實驗室專業人士處理和分析組織切片、血球細胞、藻類及其他生物樣本的影像。

完成本培訓後，學員將能夠：

• 熟悉 Fiji 介面並善用 ImageJ 的核心功能。
• 對科學影像進行預處理與增強，以提升分析品質。
• 定量分析影像，包括計數細胞及測量面積。
• 利用巨集和插件自動化重複性任務。
• 根據生物學研究中的特定影像分析需求，客製化工作流程。

此導師指導的實時培訓在 台灣（線上或線下）進行，旨在讓中級專業人士能夠使用 Vision Builder AI 設計、實施和優化 SMT（表面貼裝技術）流程的自動化檢測系統。

完成此培訓後，參與者將能夠：

• 使用 Vision Builder AI 設置和配置自動化檢測。
• 獲取並預處理高質量圖像用於分析。
• 實施基於邏輯的缺陷檢測和流程驗證決策。
• 生成檢測報告並優化系統性能。

本課程由講師帶領，提供線上或線下培訓。對象為中高級開發人員、研究人員及數據科學家，旨在教導如何利用YOLOv7實施實時物件檢測。

完成培訓後，學員將能夠：

• 掌握物件檢測的基本概念。
• 安裝並配置YOLOv7以執行物件檢測任務。
• 使用YOLOv7訓練和測試自訂物件檢測模型。
• 將YOLOv7與其他電腦視覺框架與工具整合。
• 排除與YOLOv7實施相關的常見問題。