Computer Vision med Google Colab og TensorFlow Treningskurs

Denne instruktørlig, live-utdanningen (online eller på stedet) er rettet mot begynnende datavitere og IT-profesjonelle som ønsker å lære grunnleggende data science ved hjelp av Google Colab.

Ved avslutningen av denne utdanningen vil deltakerne kunne:

• Opprette og navigere i Google Colab.
• Skrive og kjøre grunnleggende Python kode.
• Importere og håndtere datasett.
• Opprette visualiseringer med Python biblioteker.

Denne instruktørlede, live-treningen (online eller på sted) er rettet mot begynnende dataforskere som ønsker å lære å lage meningsfulle og visuelt tiltrekkende datavisualiseringer.

Ved avslutningen av denne treningen vil deltakerne være i stand til å:

• Opprette og navigere Google Colab for datavisualisering.
• Opprette ulike typer plott ved hjelp av Matplotlib.
• Bruke Seaborn for avanserte visualiseringsteknikker.
• Tilpasse plott for bedre presentasjon og klarhet.
• Tylle og presentere data effektivt ved hjelp av visuelle verktøy.

Denne instruktørledede, live opplæringen på Norge (online eller på stedet) er rettet mot nybegynnere innen politi og rettsvesen som ønsker å gå fra manuell ansiktstegning til bruk av AI-verktøy for utvikling av ansiktsgjennkjenningsystemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper om Kunstig Intelligens og Maskinlæring.
• Lære grunnleggende om digital bildebehandling og dens anvendelse i ansiktsgjennkjenning.
• Utvikle ferdigheter i å bruke AI-verktøy og rammeverk for å lage ansiktsgjennkjenningsmodeller.
• Få praktisk erfaring med å opprette, trene og teste ansiktsgjennkjenningsystemer.
• Forstå etiske overveielser og beste praksis for bruk av ansiktsgjennkjenningsteknologi.

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-treningen (online eller på sted) er rettet mot forskere og laboratorieprofesjoneller på begynnernivå til mellomnivå som ønsker å behandle og analysere bilder relatert til histologiske vev, blodceller, alger og andre biologiske prøver.

Ved slutten av denne treningen vil deltakerne kunne:

• Navigere i Fiji-grensesnittet og bruke ImageJs kjernefunksjoner.
• Forhåndsbehandle og forbedre vitenskapelige bilder for bedre analyse.
• Kvantitativt analysere bilder, inkludert celletelling og arealmåling.
• Automatisere gjentatte oppgaver ved hjelp av makroer og plug-ins.
• Tilpasse arbeidsflyter for spesifikke behov for bildeanalyse i biologisk forskning.

Denne instruktørledede, live-opplæring (online eller på stedet) er rettet mot mellomnivådatavitere og utviklere som ønsker å anvende maskinlæringsalgoritmer effektivt ved hjelp av Google Colab-miljøet.

Ved slutten av denne opplæringen vil deltakerne være i stand til å:

• Opprette og navigere Google Colab for maskinlæringsprosjekter.
• Forstå og anvende ulike maskinlæringsalgoritmer.
• Bruke biblioteker som Scikit-learn for å analysere og forutsi data.
• Implementere overvåket og uovervåket læringsmodeller.
• 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.

Dette kurset, som ledes av en instruktør (online eller på sted), er rettet mot begynnende utviklere og dataanalytikere som ønsker å lære Python programmering fra bunnen av ved bruk av Google Colab.

Ved avslutning av dette kurset vil deltakerne være i stand til å:

• Forstå grunnleggende prinsipper i Python programmeringsspråket.
• Implementere Python kode i Google Colab miljøet.
• Bruke styringsstrukturer for å håndtere flyten i 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.