Computer Vision with Google Colab and TensorFlow Treningskurs

Ved slutten av denne opplæringen vil deltakerne kunne:

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot begynnere på området datavitenskap og IT-profesjonelle som ønsker å lære grunnleggende datavitenskap med Google Colab.

• Opprette og navigere i Google Colab.
• Skrive og kjøre grunnleggende Python kode.
• Importere og behandle datasett.
• Lage visualiseringer med Python bibliotek.

Ved avslutningen av denne opplæringen vil deltakerne være i stand til:

Denne instruktør-ledede, live-opplæringen (online eller på sted) er rettet mot begynnende datavitere som ønsker å lære å lage meningsfulle og visuelt tiltrekkende data-visualiseringer.

• Opprette og navigere Google Colab for data-visualisering.
• Lage ulike typer plott ved hjelp av Matplotlib.
• Bruke Seaborn for avanserte visualiseringsmetoder.
• Tilpasse plott for bedre presentasjon og klarhet.
• Fortolke og presentere data effektivt ved hjelp av visuelle verktøy.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot lovhåndhevelsespersonell på nybegynnernivå som ønsker å gå over fra manuell ansiktsskisse til bruk av AI-verktøy for å utvikle ansiktsgjenkjenningssystemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om kunstig intelligens og Machine Learning.
• Lær det grunnleggende om digital bildebehandling og dens bruk i ansiktsgjenkjenning.
• Utvikle ferdigheter i å bruke AI-verktøy og rammeverk for å lage ansiktsgjenkjenningsmodeller.
• Få praktisk erfaring med å lage, trene og teste ansiktsgjenkjenningssystemer.
• Forstå etiske hensyn og beste praksis ved bruk av ansiktsgjenkjenningsteknologi.

Fiji er en åpen kildekode bildebehandlingspakke som pakker ImageJ (et bildebehandlingsprogram for vitenskapelige flerdimensjonale bilder) og en rekke plugins for vitenskapelig bildeanalyse.

I denne instruktørledede, live-opplæringen vil deltakerne lære å bruke Fiji-distribusjonen og dets underliggende ImageJ-program for å lage en bildeanalyseapplikasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruk Fijis avanserte programmeringsfunksjoner og programvarekomponenter for å utvide ImageJ
• Sy store 3D-bilder fra overlappende fliser
• Oppdater automatisk en Fiji-installasjon ved oppstart ved hjelp av det integrerte oppdateringssystemet
• Velg fra et bredt utvalg av skriptspråk for å bygge tilpassede bildeanalyseløsninger
• Bruk Fijis kraftige biblioteker, som ImgLib på store biobildedatasett
• Distribuer applikasjonen deres og samarbeid med andre forskere om lignende prosjekter

Kursets format

• Interaktivt foredrag og diskusjon.
• Mye øvelser og trening.
• Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot forskere på nybegynnernivå til mellomnivå og laboratoriefagfolk som ønsker å behandle og analysere bilder relatert til histologisk vev, blodceller, alger og andre biologiske prøver.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Naviger i Fiji-grensesnittet og bruk ImageJs kjernefunksjoner.
• Forbehandle og forbedre vitenskapelige bilder for bedre analyse.
• Analyser bilder kvantitativt, inkludert celletelling og arealmåling.
• Automatiser repeterende oppgaver ved hjelp av makroer og plugins.
• Tilpass arbeidsflyter for spesifikke bildeanalysebehov i biologisk forskning.

Ved slutten av denne opplæringen vil deltakerne kunne:

Denne instruktørledede, liveopplæringen (online eller på sted) er rettet mot mellomnivå dataforskere og utviklere som ønsker å bruke maskinlæringsalgoritmer effektivt ved hjelp av Google Colab-miljøet.

• Opprette og navigere i Google Colab for maskinlæringsprosjekter.
• Forstå og bruke ulike maskinlæringsalgoritmer.
• Bruke biblioteker som Scikit-learn til å analysere og forutsi data.
• Implementere overvåkte og uovervåkte læringmodeller.
• Optimalisere og evaluere maskinlæringsmodeller effektivt.

OpenCV (Open Source Computer Vision Library: http://opencv.org) er et åpen kildekode BSD-lisensiert bibliotek som inkluderer flere hundrevis av datasynsalgoritmer.

Publikum

Dette kurset er rettet mot ingeniører og arkitekter som ønsker å bruke OpenCV til datasynsprosjekter

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot programvareingeniører som ønsker å programmere i Python med OpenCV 4 for dyp læring.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Se, last inn og klassifiser bilder og videoer ved å bruke OpenCV 4.
• Implementer dyp læring i OpenCV 4 med TensorFlow og Keras.
• Kjør dyplæringsmodeller og generer effektive rapporter fra bilder og videoer.

OpenFace er Python og Torch basert åpen kildekode, sanntids ansiktsgjenkjenningsprogramvare basert på Googles FaceNet-forskning.

I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de bruker OpenFaces komponenter til å lage og distribuere en prøveapplikasjon for ansiktsgjenkjenning.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Arbeid med OpenFaces komponenter, inkludert dlib, OpenVC, Torch og nn4 for å implementere ansiktsgjenkjenning, justering og transformasjon
• Bruk OpenFace på applikasjoner fra den virkelige verden som overvåking, identitetsverifisering, virtuell virkelighet, spill og identifisering av gjentakende kunder, etc.

Publikum

• Utviklere
• Dataforskere

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Pattern Matching er en teknikk som brukes til å lokalisere spesifiserte mønstre i et bilde. Den kan brukes til å bestemme eksistensen av spesifiserte egenskaper i et tatt bilde, for eksempel forventet etikett på et defekt produkt i en fabrikklinje eller de spesifiserte dimensjonene til en komponent. Det er forskjellig fra "Pattern Recognition" (som gjenkjenner generelle mønstre basert på større samlinger av relaterte prøver) ved at det spesifikt dikterer hva vi leter etter, og deretter forteller oss om det forventede mønsteret eksisterer eller ikke.

Kursets format

• Dette kurset introduserer tilnærmingene, teknologiene og algoritmene som brukes innen mønstertilpasning slik det gjelder Machine Vision.

By the end of this training, participants will be able to:This instructor-led, live training in Norge (online or onsite) is aimed at beginner-level developers and data analysts who wish to learn Python programming from scratch using Google Colab.

• Forstå grunnleggende prinsipper for Python-programmering.
• Implementere Python-kode i Google Colab-miljøet.
• Bruke styringsstrukturer til å styre flyten av et Python-program.
• Opprette funksjoner for å organisere og gjenbruke kode effektivt.
• Utforske og bruke grunnleggende biblioteker for Python-programmering.

Denne instruktørledede, live-opplæringen introduserer programvaren, maskinvaren og trinn-for-trinn-prosessen som trengs for å bygge et ansiktsgjenkjenningssystem fra bunnen av. Ansiktsgjenkjenning er også kjent som Face Recognition.

Maskinvaren som brukes i denne laboratoriet inkluderer Rasberry Pi, en kameramodul, servoer (valgfritt) osv. Deltakerne er selv ansvarlige for å kjøpe disse komponentene. Programvaren som brukes inkluderer OpenCV, Linux, Python osv.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer Linux, OpenCV og andre programvareverktøy og biblioteker på en Rasberry Pi.
• Konfigurer OpenCV for å ta og oppdage ansiktsbilder.
• Forstå de ulike alternativene for å pakke et Rasberry Pi-system for bruk i virkelige miljøer.
• Tilpass systemet for en rekke brukssaker, inkludert overvåking, identitetsverifisering, etc.

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Note

• Andre maskinvare- og programvarealternativer inkluderer: Arduino, OpenFace, Windows, etc. Hvis du ønsker å bruke noen av disse, vennligst kontakt oss for å avtale.

Dette instructorledede, live treningen i Norge (online eller på stedet) er rettet mot mellomtrinnspersoner som ønsker å bruke Vision Builder AI til å designe, implementere og optimere automatiserte inspeksjonsystemer for SMT (Surface-Mount Technology) prosesser.

Ved sluttet av denne treningen vil deltakerne kunne:

• Sette opp og konfigurere automatiserte inspeksjoner ved hjelp av Vision Builder AI.
• Få tak i og forbehandle høykvalitetsbilder for analyse.
• Implementere logikkbaserte beslutninger for feilopptegning og prosessverifisering.
• Generere inspeksjonsrapporter og optimere systemytelse.