免費課程
Free Course
人工智慧與物聯網整合課程說明會
課程總時數
0
課程費用
免費課程
上課時間
週五 / 晚上
開課日期
2024-04-27
1.艾鍗學院採取一人一機上課，強調學中做，做中學！
2.教學以產業應用為主軸，訓後讓您與實務無縫接軌。
3.用全觀的物聯網概念讓您完整了解每個技術的全貌，提高學習成效。
2.教學以產業應用為主軸，訓後讓您與實務無縫接軌。
3.用全觀的物聯網概念讓您完整了解每個技術的全貌，提高學習成效。
上課地點
台北市中正區重慶南路一段143號4樓
課程大綱
Step 1 : IoT Web整合應用實作
1） 什麼是物聯網? 我該如何實現? 我該或我可以專注什麼?
2） 物聯網技術架構簡介
3） 物聯網感測層技術:
▪ Raspberry Pi 開發快速上手
▪ 基礎I/O控制: GPIO、Relay 控制110V家電控制
▪ 感測器介面技術 - 數位（I2C， SPI）、類比 （ADC）
▪ 數位感測器讀取-溫溼度感測器（BME280）
▪ 數位感測器讀取-G-Sensor（LIS3DH）
▪ OLED 輸出
▪ 類比式感測器讀取-光感測器
4）物聯網網路層技術
▪ M2M通訊協定說明
▪ CoAP協定解析與實驗
▪ MQTT協定解析與實驗
5） 物聯網應用層技術: WebAPP 實作
▪ Web前端技術: HTML/CSS/JavaScript/JQuery （瀏覽器前端 UI控制）
▪ Web後端技術: Node.js （伺服端端資料處理）
▪ 瀏覽器與Web Server間的通訊實現: AJAX， WebSocket
▪ Node.js MQTT Client
▪ MongoDB （NoSQL）進行感測資料儲存
6） 實現一個基於 ARM mbed cloud 的 Web IoT 平台
▪ ARM mbed Cloud 平台架構簡介
▪ build mbed Client to Linux
▪ mbed Client API
▪ Raspberry Pi 3 連線ARM mbed cloud using CoAP
▪ ARM mbed Device Connector Web API 7） IoT 架構解決方案Demo
▪ 以MQTT架構整合感測端與Web應用端
▪ 以ARM mbed Cloud 整合感測端與Web應用端
Step 2 : Python大數據與機器學習應用
1）
▪ 資料科學概述與相關例子
實作課程（一）：Python程式語言介紹、Pandas模組介紹與Github介紹
▪ 網路資料採集（Web Scraping）、正規表示式（Regular Expressions）、資料重塑（Data Reshaping）與資料清理（Data Cleanup）。
▪ 探索性資料分析（Exploratory Data Analysis， EDA）
實作課程（二）：資料採集（Scraping）資料視覺化介紹
▪ 再探Pandas模組，結構式查詢語言（SQL），資料文法（Grammar of Data）：資料整理套件dplyr介紹
▪ 統計模式（Statistical Models）
▪ 實作課程（三）：機率（Probability），分佈（Distributions）與頻率統計（Frequentist Statistics）
2）
▪ 故事敘事方法（Story Telling）與有效的溝通技巧（Effective Communication）
▪ 偏誤值（Bias）與迴歸分析（Regression） 實作課程（四）：期末專案討論、迴歸（Regression）與羅吉斯迴歸（Logistic Regression）
▪ 進階迴歸分析方法介紹與實例解說
▪ 分類（Classification）、最近距離分群法（kNN）、交叉驗證（Cross Validation）、維度降低（Dimensionality Reduction）與主成分分析（PCA） Clustering
▪ 實作課程（五）：期末專案討論、機器學習（Machine Learning）簡介與方法介紹
3）
▪ 機器學習方法：支持向量機（Support Vector Machine， SVM）介紹與預測結果評估
▪ 機器學習方法：決策樹（Decision Trees）與隨機森林（Random Forests）介紹 Decision Trees
▪ 實作課程（六）：期末專案討論與機器學習（Machine Learning）簡介與方法介紹二：模式比較
▪ 機器學習方法：整體性方法（Ensemble Methods）
▪ 機器學習方法的最佳實踐（Best Practices） 實作課程（七）：整體性方法（Ensembles）實作
4）
▪ 機器學習方法的最佳實踐（Best Practices）、推薦系統實作與分析演算法介紹：MapReduce.
▪ 分析演算法介紹：MapReduce Combiners與Apache Spark
▪ 實作課程（八）：虛擬機器Vagrant與VirtualBox介紹，亞馬遜網路服務（Amazon Web Services， AWS）與Apache Spark進階介紹
▪ 統計方法介紹：貝氏理論（Bayes Theorem）與相關貝氏方法（Bayesian Methods）介紹
▪ 統計方法介紹：相關貝氏方法（Bayesian Methods）介紹 實作課程（九）：Bayes理論實作
5）
▪ 文字分析與探勘（Text Mining）、互動式視覺化（Interactive Visualization） 實作課程（十）：期末專案討論、文字分析與分群（Text and Clustering）
▪ 統計方法介紹：分群（Clustering）
▪ 有效的簡報表達技巧（Effective Presentations） 實作課程（十一）：期末專案討論與範例解說（Projects， and an example）
6）
▪ 實驗性設計（Experimental Design）
▪ 深度學習網路（Deep Networks）簡介 Deep Networks
▪ 實作學習與分享，如何進行資料科學研究
▪ 總結、專案分享與回顧
1） 什麼是物聯網? 我該如何實現? 我該或我可以專注什麼?
2） 物聯網技術架構簡介
3） 物聯網感測層技術:
▪ Raspberry Pi 開發快速上手
▪ 基礎I/O控制: GPIO、Relay 控制110V家電控制
▪ 感測器介面技術 - 數位（I2C， SPI）、類比 （ADC）
▪ 數位感測器讀取-溫溼度感測器（BME280）
▪ 數位感測器讀取-G-Sensor（LIS3DH）
▪ OLED 輸出
▪ 類比式感測器讀取-光感測器
4）物聯網網路層技術
▪ M2M通訊協定說明
▪ CoAP協定解析與實驗
▪ MQTT協定解析與實驗
5） 物聯網應用層技術: WebAPP 實作
▪ Web前端技術: HTML/CSS/JavaScript/JQuery （瀏覽器前端 UI控制）
▪ Web後端技術: Node.js （伺服端端資料處理）
▪ 瀏覽器與Web Server間的通訊實現: AJAX， WebSocket
▪ Node.js MQTT Client
▪ MongoDB （NoSQL）進行感測資料儲存
6） 實現一個基於 ARM mbed cloud 的 Web IoT 平台
▪ ARM mbed Cloud 平台架構簡介
▪ build mbed Client to Linux
▪ mbed Client API
▪ Raspberry Pi 3 連線ARM mbed cloud using CoAP
▪ ARM mbed Device Connector Web API 7） IoT 架構解決方案Demo
▪ 以MQTT架構整合感測端與Web應用端
▪ 以ARM mbed Cloud 整合感測端與Web應用端
Step 2 : Python大數據與機器學習應用
1）
▪ 資料科學概述與相關例子
實作課程（一）：Python程式語言介紹、Pandas模組介紹與Github介紹
▪ 網路資料採集（Web Scraping）、正規表示式（Regular Expressions）、資料重塑（Data Reshaping）與資料清理（Data Cleanup）。
▪ 探索性資料分析（Exploratory Data Analysis， EDA）
實作課程（二）：資料採集（Scraping）資料視覺化介紹
▪ 再探Pandas模組，結構式查詢語言（SQL），資料文法（Grammar of Data）：資料整理套件dplyr介紹
▪ 統計模式（Statistical Models）
▪ 實作課程（三）：機率（Probability），分佈（Distributions）與頻率統計（Frequentist Statistics）
2）
▪ 故事敘事方法（Story Telling）與有效的溝通技巧（Effective Communication）
▪ 偏誤值（Bias）與迴歸分析（Regression） 實作課程（四）：期末專案討論、迴歸（Regression）與羅吉斯迴歸（Logistic Regression）
▪ 進階迴歸分析方法介紹與實例解說
▪ 分類（Classification）、最近距離分群法（kNN）、交叉驗證（Cross Validation）、維度降低（Dimensionality Reduction）與主成分分析（PCA） Clustering
▪ 實作課程（五）：期末專案討論、機器學習（Machine Learning）簡介與方法介紹
3）
▪ 機器學習方法：支持向量機（Support Vector Machine， SVM）介紹與預測結果評估
▪ 機器學習方法：決策樹（Decision Trees）與隨機森林（Random Forests）介紹 Decision Trees
▪ 實作課程（六）：期末專案討論與機器學習（Machine Learning）簡介與方法介紹二：模式比較
▪ 機器學習方法：整體性方法（Ensemble Methods）
▪ 機器學習方法的最佳實踐（Best Practices） 實作課程（七）：整體性方法（Ensembles）實作
4）
▪ 機器學習方法的最佳實踐（Best Practices）、推薦系統實作與分析演算法介紹：MapReduce.
▪ 分析演算法介紹：MapReduce Combiners與Apache Spark
▪ 實作課程（八）：虛擬機器Vagrant與VirtualBox介紹，亞馬遜網路服務（Amazon Web Services， AWS）與Apache Spark進階介紹
▪ 統計方法介紹：貝氏理論（Bayes Theorem）與相關貝氏方法（Bayesian Methods）介紹
▪ 統計方法介紹：相關貝氏方法（Bayesian Methods）介紹 實作課程（九）：Bayes理論實作
5）
▪ 文字分析與探勘（Text Mining）、互動式視覺化（Interactive Visualization） 實作課程（十）：期末專案討論、文字分析與分群（Text and Clustering）
▪ 統計方法介紹：分群（Clustering）
▪ 有效的簡報表達技巧（Effective Presentations） 實作課程（十一）：期末專案討論與範例解說（Projects， and an example）
6）
▪ 實驗性設計（Experimental Design）
▪ 深度學習網路（Deep Networks）簡介 Deep Networks
▪ 實作學習與分享，如何進行資料科學研究
▪ 總結、專案分享與回顧
更多相關課程推薦
-
2024-05-29湜憶電腦知訊顧問股份有限公司
-
2024-09-08巨匠電腦
-
2024-08-11巨匠電腦
-
2024-06-27巨匠電腦
-
2024-05-03巨匠電腦
【5+2人才專案】智慧生活與雲端服務培訓班『政府全額補助』
TOP