NVIDIA 深度學習平台概論與介紹
課程目標與介紹
了解如何利用 NVIDIA DIGITS 工具在深度學習工作流程其中的深層神經網絡（DNN）來解決使用的真實世界圖像分類問題。您將實際操作, 包含: 資料庫準備，模型定義，訓練模型和分析解決問題。您將使用驗證資料來測試獲得結果並使用 GPU 嘗試不同策略來進而改進模型性能。完成本實驗後，您將能夠使用 NVIDIA DIGITS 在您自己的圖像分類應用程式上訓練 DNN。
課程對象
- 本課程著重介紹深度學習的基本概念，不要求有機器學習或資料庫相關背景。
- 本課程將介紹 NVIDIA GPU 如何成為深度學習訓練的最佳平台，並介紹 NVIDIA DIGITS。
- 強烈建議初學者先自學熟悉本課程，而後再練習操作線上實作課程。
NVIDIA DIGITS 視覺化平台訓練物體檢測
課程目標與介紹
本實驗將探索三種方法來辨識圖像中的特定特徵，每種方法都是根據模型訓練時間、模型精度和部署期間的偵測速度等三種方法來衡量。完成本實驗後，您將了解各種方法的優點，並學會如何使用 NVIDIA DIGITS 培訓的神經網絡來檢測真實世界的數據組合。
課程對象
- 本課程著重深度學習的理論與實作，有程式背景者較能進入狀況。
- 建議初學者務必先熟悉【深度學習概論】。
- 學員必須熟悉 Qwiklab 操作介面與 Python 基礎使用經驗，並學習模型訓練技巧。請自備筆記型電腦，並依照課前通知安裝好所需的軟體環境與套件。
深度學習圖像分割
課程目標與介紹
許多重要的應用程式在圖像中偵測一個以上的對象，這時候就必須將圖像分割成小空間區域並且標明不同種類。圖像分割常被應用在醫學圖像分析或是自主駕駛車等等領域。本課程將帶領學員透過 Tensorflow 架構，實際操作整理好的醫學影像與自主駕駛車資料庫做學習，您將有機會熟悉如何在複雜的醫療影像中分解不同類型的人體組織，血管或異常細胞，並進一步由原始影像分割出特定器官。
課程對象
- 本課程著重深度學習的理論與實作，有程式背景者較能進入狀況。
- 建議初學者務必先熟悉【深度學習概論】。
- 學員必須熟悉 Qwiklab 操作介面與 Python 基礎使用經驗，並學習模型訓練技巧。請自備筆記型電腦，並依照課前通知安裝好所需的軟體環境與套件。
NVIDIA DIGITS 視覺化平台訓練醫療圖像分割
課程目標與介紹
在本實驗中，您將學習如何使用目前熱門的圖像分類神經網絡進行語義分割，如何使用自定義 Python 層擴大至使用熱門的 Caffe 架構，透過此練習將可以熟悉如何傳輸學習和訓練兩個完全卷積網絡 (FCN) 的概念。本課程使用醫療影像作為範例，將圖像使用語義分割 (Semantic Segmentation) 的方式，將圖片中的每一個像素做分類，通常給予不同顏色代表不同類別。透過國際知名的醫療影像競賽 - Cardiac 左心室MRI 圖像分割挑戰，來學習如何使用 NVIDIA DIGITS 平台簡單的學習圖像分割應用。
課程對象
- 本課程著重深度學習的理論與實作，有程式背景者較能進入狀況。
- 建議初學者務必先熟悉【深度學習概論】。
- 學員必須熟悉 Qwiklab 操作介面與 Python 基礎使用經驗，並學習模型訓練技巧。請自備筆記型電腦，並依照課前通知安裝好所需的軟體環境與套件。
運用 NVIDIA DIGITS 與 TensorRT 進行神經網路部屬
課程目標與介紹
透過本課程您將有機會了解深度學習中不同部屬的方式與其優點，我們將展示三種部署方法。第一種方法是直接使用深入學習框架中的推理功能，會以 DIGITS 和 Caffe 示範。第二種方法是通過使用深度學習框架 API ，再次使用 Caffe ，但是這次通過 Python API 來整合自定義應用程序中的推理。最後的方法是使用 NVIDIA TensorRT ，它將從受過訓練的 Caffe 模型和網絡描述文件自動創建優化的推理運行時間。在本實驗中，您將了解批量大小在推理性能中的作用，以及可在推理過程中進行的各種優化。您還將探索對其他 NVIDIA 深度學習實驗室相關課程中進行培訓的各種不同 DNN 架構的推論。
課程對象
- 本課程著重深度學習部屬的實作課程，有程式背景者較能進入狀況。
- 本課程屬於進階等級課程，建議學員務必先參加過 NVIDIA 深度學習教育機構所舉辦過的初階課程。
- 學員必須熟悉 Qwiklab 操作介面、Python 基礎和 C++ 語言使用經驗，並學習模型訓練技巧。請自備筆記型電腦，並依照課前通知安裝好所需的軟體環境與套件。
運用 NVIDIA Jetson TX2 開發者套件進行圖像分類與物體檢測
課程目標與介紹
學習構建一個從訓練數據庫到智慧終端深度學習流程。在本課程終您將實際操作開發技能，不僅訓練深層神經網絡，而且還將如何在生產環境中進行部署。在本實驗中，您可以將預先訓練的圖像分類和物體檢測的神經網絡，並將其部署在 Jetson TX1 或 TX2 開發者套件上，接著使用內建攝影機測試這些網絡，以分類和檢測幾個真實世界的對象。網絡將部署在各種編程環境中，我們甚至將介紹如何使用 NVIDIA 的 TensorRT 推理引擎庫在運行時優化分類和檢測性能。
課程對象
- 本課程著重深度學習部屬的實作課程，有程式背景者較能進入狀況。
- 本課程屬於進階等級課程，建議學員務必先參加過 NVIDIA 深度學習教育機構所舉辦過的初階課程。
- 學員必須熟悉 Qwiklab 操作介面、Python 基礎和 C++ 語言使用經驗，並學習模型訓練技巧。請自備筆記型電腦，並依照課前通知安裝好所需的軟體環境與套件。
人工智慧運算正進入一個嶄新的紀元：GPU 深度學習。以模擬人類的思考方式做為出發點，從無人機、自駕車、機器人到智慧城市，NVIDIA GPU 讓機器得以學習、感知、推論，並協助解決問題。如今人工智慧已融入你我的生活當中，且逐步顛覆產業的發展。
NVIDIA 今年首度於 COMPUTEX 台北國際電腦展舉辦「人工智慧論壇」，內容包括精采的主題演說以及熱門應用議題，從雲端到終端裝置，共同探討人工智慧未來趨勢，並引領台灣進入智慧產業革命。此外，「深度學習實作坊」講師指導付費課程亦準備了專業、豐富的實作內容，逐步帶領學員透過最新、最實用的深度學習工具解決艱深難題。
議程
NVIDIA 人工智慧論壇主題議程
物聯網與智慧城市的人工智慧應用
NVIDIA 行動事業部門副總裁暨總經理 Deepu Talla
醫療與生物資訊的人工智慧應用
台灣人工智慧實驗室創始人 杜奕瑾
如何導入、組織團隊，並描繪人工智慧的未來藍圖
NVIDIA 解決方案工程架構副總裁暨 Marc Hamilton
深度學習實作坊議程
- 活動全程中文授課並與學員實作並行，請自行攜帶筆記型電腦（每一座位皆有插座）。
- 請務必於課前安裝最新版 Chrome 或 Firefox 瀏覽器，並先連結至 QWIKLAB 完成帳號申請。
- 主辦單位保留變更議程順序、內容及相關事項之權利。
FOLLOW US ON SOCIAL MEDIA
