Search
#科技快訊
華碩擁有自主研發台灣在地化中文語音引擎，並攜手指標性醫療院所，深化智慧醫療應用，今與秀傳發表護理表單語音辨識系統，可突破地域口音和語法限制，讓醫護人員以口述輕鬆記錄醫療表單，大幅優化流程。
華碩耕耘語音相關應用多年，以AI深度學習精進演算法，健全醫療專業詞彙資料庫，此次結盟秀傳，雙方不僅投入大量資源於醫護語料蒐集、詞彙標註和中、英夾雜語音模型，更專注使用者體驗，不斷於實際應用場域進行反饋修正，以貼近醫護人員需求。目前此語音服務已整合至院內系統，經大量反覆試驗，準確率達九成五以上，未來將陸續在秀傳體系全面使用。
秀傳醫療體系為全台指標性醫院之一，亦為華碩佈局智慧醫療版圖深度合作夥伴。除醫療語音外，亦透過醫療影像判讀和穿戴科技提升對病患健康掌握度，讓診療更精準，進一步實現智慧醫院藍圖。
更多科技報導在 滔科技
#ASUS
華碩擁有自主研發台灣在地化中文語音引擎，並攜手指標性醫療院所，深化智慧醫療應用，今與秀傳發表護理表單語音辨識系統，可突破地域口音和語法限制，讓醫護人員以口述輕鬆記錄醫療表單，大幅優化流程。
華碩耕耘語音相關應用多年，以AI深度學習精進演算法，健全醫療專業詞彙資料庫，此次結盟秀傳，雙方不僅投入大量資源於醫護語料蒐集、詞彙標註和中、英夾雜語音模型，更專注使用者體驗，不斷於實際應用場域進行反饋修正，以貼近醫護人員需求。目前此語音服務已整合至院內系統，經大量反覆試驗，準確率達九成五以上，未來將陸續在秀傳體系全面使用。
秀傳醫療體系為全台指標性醫院之一，亦為華碩佈局智慧醫療版圖深度合作夥伴。除醫療語音外，亦透過醫療影像判讀和穿戴科技提升對病患健康掌握度，讓診療更精準，進一步實現智慧醫院藍圖。
ASUS
🔥 NT330 特價中
課程已於 2021 年 8 月更新
學習資料科學、資料分析、機器學習(人工智慧)和 Python 與 Tensorflow、Pandas 和更多 !
本課程的主題包括 :
資料探索與視覺化
神經網路和深度學習
模型評估與分析
Python 3
Tensorflow 2.0
Numpy
Scikit-Learn
資料科學與機器學習專案和工作流程
在 Python 用 MatPlotLib 和 Seaborn 做資料視覺化
轉移學習( Transfer Learning )
影像辨識和分類
訓練/測試並交叉驗證
監督學習 : 分類、迴歸和時間序列
決策樹和隨機森林
整體學習( Ensemble Learning )
調整超參數( Hyperparameter Tuning )
採用 Pandas 資料框解決複雜任務
採用 Pandas 處理 CSV 檔
採用 TensorFlow 2.0 和 Keras深度學習 / 神經網路
使用 Kaggle 並進入機器學習競賽
如何呈現你的發現並讓你的老闆印象深刻
如何為你的分析清理並準備你的資料
K 最近鄰( K Nearest Neighbours )
支援向量機( Vector Machines )
迴歸分析( Linear Regression/Polynomial Regression )
如何運用 Hadoop、Apache Spark、Kafka 和 Apache Flink
如何用 Conda、MiniConda 和Jupyter Notebooks 設定你的環境
配合 Google Colab 採用 GPUs
https://softnshare.com/complete-machine-learning-and-data-science-zero-to-mastery/
人臉辨識，就是用科技計算的方式，來比較臉部視覺特徵，藉此鑑定身分的一種電腦技術。
其實我們可以把人臉辨識想像成是一套演算法，各種不同的廠商或公司可能會有不同的演算規則。但整體的邏輯是一樣的，通常會先偵測人臉、然後進行臉部校正與擷取特徵、再進行比對工作。
當攝影機拍到你的時候，它第一步也會先切成一張一張的影格，然後去找到你的臉，就像是我們相機在拍照的時候，它不是會在臉旁邊出現一個框框讓你比較好對焦，這就是使用了人臉偵測的技術。
也因為人臉其實有一些特徵，所系統會開始擷取一些我們臉上出具有「辨別度」的特徵，像是顴骨的形狀啦、眼窩的深度之類的，一張臉大約有80幾個識別點，但也因為拍攝時可能剛好低頭或轉頭，或是受到光線影響之類的，有些系統會在抓取特徵的時候也要進行校正，利用人中啊、眼睛啊或嘴角之類的作為錨點，將人臉校正到同一個比較基準。現在也有2D轉3Ｄ的技術，用3D模型來計算你不同角度應該是長什麼樣子。那抓出這些特徵以後呢，這個演算法會把你臉上用這些特徵畫出來的向量，轉換成編碼，於是你這個人獨特的特徵就可以用一串數字來代表，最後再送到資料庫進行比對。
雖然人臉識別這個技術早再很多年前就已經開始發展，但是到這幾年因為電腦計算速度大幅加快、雲端技術成熟，才有較大的進展。而且這樣子一套演算法，還需要透過ＡＩ深度學習，模擬我們大腦神經網絡的運作，然後從大規模未標記的資料中學習，來建立出一套演算法、不斷優化出更好的模型。才能讓辨識度越來越準確。
不過即使臉部辨識技術已經發展了一段時間，辨識準確度卻還是有待加強，美國國家標準暨技術研究院 (Nist) 的一項測試就發現，2014年到2018年期間，人臉辨識系統因為深度學習的技術，失敗率從4% 降到 0.2%。BUT！資料庫中的照片跟現實生活中可不一樣，每個人頭擺的角度、臉出現在畫面中的位置、拍攝光線、畫素、有沒有戴帽子、帶圍巾或變老，這些都會影響準確度。而且目前雙胞胎的辨識，還是一大難題。
像是英國南威爾斯警方2017在歐洲足球冠軍賽期間，測試一款全新的AI臉部識別程序，可以搜尋比對資料庫裡面的50萬筆潛在罪犯資料，結果系統在17萬名觀眾當中，配對了2470人為潛在目標，但是錯誤率高達92%。
Amazon 2016年推出影像辨識 AI 系統Rekognition，也曾經把28名國會議員辨識為罪犯，讓大家都嚇到吃手手。美國奧蘭多市政府也從 2017 年開始與 Amazon 合作進行先導計劃，在市內幾個地方架設監視器，實時進行人臉辨識，希望可以找出通緝犯等特定人士，幫助執法。不過在 15 個月的測試中，卻發現系統經常誤判，準確度常常出問題，後來在2019年終止這項合作。
人臉辨識跟很多技術一樣，就是個雙面刃。雖然這項科技已經越來越進步，而且透過電腦的深度學習，讓判讀的準確度大大提升，但它仍然不像DNA那樣，正確度高達99.9%，可以作為決定性的判定標準。
--------------------------------------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出，沒跟上的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版！
本專案目的為藉由AOI影像訓練深度學習模型辨識產品表面瑕疵，使用框架為Pytorch。實作結果顯示，預訓練VGG16模型的測試準確已達到99.0%。(目前排行榜上最高分為99.9%) ... ... <看更多>
影像辨識深度學習模型 在 #新手深度學習模型(影像辨識)_標準化問題 - 軟體工程師板 | Dcard 的推薦與評價
新手深度學習模型(影像辨識)_標準化問題. 軟體工程師. 2021年9月24日12:13. 想請問一下，在one hot encoding前對影像做標準化(如區塊1)，跟資料增強時才做標準化會有 ... ... <看更多>