自強課程
課程名稱
智慧影像 AI 工程實戰:模型訓練、評估與應用
熱烈招生中
課程代碼:
15W312
上課時間:
9/10、9/17,星期四,09:30-16:30,共二週12小時。
上課時數:
12 小時
課程費用:
10000元
(符合超值優惠價格者需送出報名表後,系統發出報名成功回函確認金額。)
超值優惠:
- VIP企業會員價:VIP企業會員可享優惠價格 (按我)
- 會員優惠價: 會員於開課前七天完成報名繳費者可享會員優惠價 9000 元
- 早安鳥方案:會員於開課二週前(含)報名並完成繳費,可享超值優惠價 8500 元
- 會員紅利折抵:本課程歡迎使用紅利折抵,最高可使用 100 點
課程目標:
1.理解智慧影像與深度學習的核心概念
2.熟悉 PyTorch 深度學習框架的核心架構與開發流程
3.具備影像資料前處理與資料集設計能力
4.實作常見智慧影像任務之深度學習模型
5.理解並應用常見影像模型架構與訓練策略
6.掌握模型訓練、驗證與效能評估方法
7.具備影像模型優化與實務調校能力
8.建立可延伸的智慧影像開發基礎能力
2.熟悉 PyTorch 深度學習框架的核心架構與開發流程
3.具備影像資料前處理與資料集設計能力
4.實作常見智慧影像任務之深度學習模型
5.理解並應用常見影像模型架構與訓練策略
6.掌握模型訓練、驗證與效能評估方法
7.具備影像模型優化與實務調校能力
8.建立可延伸的智慧影像開發基礎能力
課程特色:
隨著深度學習(Deep Learning)技術的成熟,智慧影像已成為人工智慧應用中最重要且最具實務價值的領域之一。從影像分類、物件偵測、影像分割,到工業檢測、智慧監控與自動化系統,影像 AI 正快速滲透至各行各業,成為企業智慧化與數位轉型的核心技術。
在眾多深度學習框架中,PyTorch 以其高度彈性、直覺化設計與強大的研究與實務生態系,已成為影像 AI 領域的主流開發框架。無論是學術研究、產品原型開發,或企業實際部署,PyTorch 都扮演著關鍵角色。
本課程將以 PyTorch 為核心,帶領學員系統性學習智慧影像開發的核心概念與實務方法。課程內容涵蓋從影像資料處理、神經網路模型建構、訓練與評估,到常見影像任務(如分類、物件偵測與分割)的完整開發流程,協助學員建立對影像 AI 的整體理解。
課程設計強調「理論與實作並重」,透過實際撰寫程式與案例演練,讓學員能將所學技術應用於真實場景。講師亦將分享智慧影像在企業專案中的實務經驗,說明模型設計、效能調校與落地應用時的關鍵考量,協助學員建立從概念到應用的完整視角,為未來影像 AI 專案與技術發展奠定扎實基礎。
在眾多深度學習框架中,PyTorch 以其高度彈性、直覺化設計與強大的研究與實務生態系,已成為影像 AI 領域的主流開發框架。無論是學術研究、產品原型開發,或企業實際部署,PyTorch 都扮演著關鍵角色。
本課程將以 PyTorch 為核心,帶領學員系統性學習智慧影像開發的核心概念與實務方法。課程內容涵蓋從影像資料處理、神經網路模型建構、訓練與評估,到常見影像任務(如分類、物件偵測與分割)的完整開發流程,協助學員建立對影像 AI 的整體理解。
課程設計強調「理論與實作並重」,透過實際撰寫程式與案例演練,讓學員能將所學技術應用於真實場景。講師亦將分享智慧影像在企業專案中的實務經驗,說明模型設計、效能調校與落地應用時的關鍵考量,協助學員建立從概念到應用的完整視角,為未來影像 AI 專案與技術發展奠定扎實基礎。
修課條件:
1.熟悉Python程式語言
2.熟悉numpy、pandas、matplotlib套件
2.熟悉numpy、pandas、matplotlib套件
課程大綱:
1. 智慧影像與 PyTorch 開發概覽
1.1 智慧影像(Computer Vision)在 AI 應用中的角色與趨勢
1.2 常見智慧影像應用場景說明
1.3 深度學習如何解決影像問題
1.4 為何選擇 PyTorch 作為影像開發框架
1.5 智慧影像專案的整體開發流程概覽
2. PyTorch 基礎與影像資料處理
2.1 PyTorch 核心概念快速建立
2.2 影像資料在 PyTorch 中的處理方式
2.3 Dataset 與 DataLoader 設計實務
2.4 影像資料前處理與資料增強(Data Augmentation)
2.5 實作:建立可訓練的影像資料管線
3. 影像分類模型實作與訓練流程
3.1 影像分類任務介紹與應用場景
3.2 CNN 模型架構設計概念
3.3 使用 PyTorch 建立影像分類模型
3.4 實作:完成一個可運作的影像分類模型
4. 模型評估、優化與實務應用思維
4.1 模型評估指標的選擇與解讀
4.2 常見模型問題與改善方向
4.3 模型效能與實務取捨
4.4 智慧影像模型在實務專案中的導入考量
4.5 案例分享:企業智慧影像專案的常見踩雷點
5. 進階應用方向與學習路線建議
5.1 從影像分類進階到
5.2 智慧影像常見延伸應用說明
5.3 PyTorch 智慧影像的進階學習方向
1.1 智慧影像(Computer Vision)在 AI 應用中的角色與趨勢
1.2 常見智慧影像應用場景說明
1.3 深度學習如何解決影像問題
1.4 為何選擇 PyTorch 作為影像開發框架
1.5 智慧影像專案的整體開發流程概覽
2. PyTorch 基礎與影像資料處理
2.1 PyTorch 核心概念快速建立
2.2 影像資料在 PyTorch 中的處理方式
2.3 Dataset 與 DataLoader 設計實務
2.4 影像資料前處理與資料增強(Data Augmentation)
2.5 實作:建立可訓練的影像資料管線
3. 影像分類模型實作與訓練流程
3.1 影像分類任務介紹與應用場景
3.2 CNN 模型架構設計概念
3.3 使用 PyTorch 建立影像分類模型
3.4 實作:完成一個可運作的影像分類模型
4. 模型評估、優化與實務應用思維
4.1 模型評估指標的選擇與解讀
4.2 常見模型問題與改善方向
4.3 模型效能與實務取捨
4.4 智慧影像模型在實務專案中的導入考量
4.5 案例分享:企業智慧影像專案的常見踩雷點
5. 進階應用方向與學習路線建議
5.1 從影像分類進階到
5.2 智慧影像常見延伸應用說明
5.3 PyTorch 智慧影像的進階學習方向
課程師資:
講師:李厚均
專長:生成式AI、深度學習
現任:核果智能科技 執行長
專長:生成式AI、深度學習
現任:核果智能科技 執行長
主辦單位:
財團法人自強工業科學基金會
學員須知:
注意事項



