Datamaskinvitenskap Kurs i Norge

Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot mellomnivå- til avanserte nivå-ingeniører innen datamaskinviten, AI-utviklere og IoT-profesjonelle som ønsker å implementere og optimalisere datamaskinviten-modeller for sanstidsprosessering på edge-enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for Edge AI og dets anvendelser i datamaskinviten.
• Innstille optimaliserte dyplearning-modeller på edge-enheter for sanstidsbilde- og videoanalyse.
• Bruke rammeverk som TensorFlow Lite, OpenVINO og NVIDIA Jetson SDK for modellinnstilling.
• Optimalisere AI-modeller for ytelse, strømspareffektivitet og lav-latens-inferens.

Denne instruktørledede, live-treningen i Norge (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å dyppe seg dypere inn i datavisjon og utforske TensorFlows kapasiteter for å utvikle sofistikerte visjonsmodeller ved hjelp av Google Colab.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygge og trene konvolusjonelle nevrale nettverk (CNNs) ved hjelp av TensorFlow.
• Bruke Google Colab for skalerbar og effektiv skybasert modellutvikling.
• Implementere bildeforarbeidingsmetoder for datavisjonstider.
• Sette i drift datavisjonsmodeller for virkelige anvendelser.
• Bruke overføringsslur for å forbedre ytelsen på CNN-modeller.
• Visualisere og tolke resultater fra bildeklassifiseringsmodeller.

Dette instruktørlede, live-trening i Norge (online eller på stedet) er rettet mot mellomnivå AI-utviklere og databehandlingsingeniører som ønsker å bygge robuste visjonssystemer for autonome kjøretøysapplikasjoner.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå grunnleggende konsepter innen databehandling i autonome kjøretøy.
• Implementere algoritmer for gjenkjenning av objekter, kjørestrek og semantisk segmentering.
• Integriere visjonssystemer med andre subsystemer i autonome kjøretøy.
• Bruke dype læringsteknikker for avanserte oppfatningstjenester.
• Vurdere ytelsen til databehandlingsmodeller i virkelige scenarier.

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.

Dette håndverkspraktiske kurset om Norge dekker grunnleggende ferdigheter i Fiji og ImageJ for biologisk forskning. Lærende oppnår praktiske ferdigheter i bildeforebehandling, kvantitativ analyse og makroautomatisering for å effektivisere arbeidsflyter for histologiske vev, celler og andre prøver med reproduserbare resultater.

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.

Denne instruktørbaserte, liveundervisningen i Norge (online eller på stedet) er rettet mot utviklere, forskere og datavitere med mellomnivå til avansert kunnskapsnivå, som ønsker å lære hvordan man implementerer reeltids objektgjenkjenning ved hjelp av YOLOv7.

Ved slutten av denne opplæringen skal deltakerne være i stand til:

• Forstå de grunnleggende begrepene for objektgjenkjenning.
• Installere og konfigurere YOLOv7 for objektgjenkjenning oppgaver.
• Trene og teste tilpassede objektgjenkjenning modeller ved hjelp av YOLOv7.
• Integrere YOLOv7 med andre datadrivn analyse rammeverk og verktøy.
• Tilbakekreve vanlige problemer relatert til implementering av YOLOv7.