Počítačové vidění s Google Colab a TensorFlow Počítačový Kurz

Tento instruktážní živý kurz v České republice (online nebo na místě) je určen pro začínající datové vědce a IT profesionály, kteří chtějí naučit se základy datové vědy pomocí Google Colab.

Konec kurzu budou účastníci schopni:

• Nastavit a navigovat v Google Colab.
• Psát a spouštět základní kód v Python.
• Importovat a spravovat datasety.
• Vytvářet vizualizace pomocí knihoven Python.

Tento instruktorův přímý živý výcvik na místě nebo online je určen pro začínající datové vědce, kteří chtějí naučit se vytvářet významné a vizuálně působivé datové vizualizace.

Koncepci tohoto výcviku budou účastníci schopni:

• Nastavit a orientovat se v Google Colab pro datovou vizualizaci.
• Vytvářet různé typy grafů pomocí Matplotlibu.
• Používat Seaborn pro pokročilé vizualizační techniky.
• Vlastněnit grafy na zlepšení prezentace a jasnosti.
• Efektivně interpretovat a prezentovat data pomocí vizuálních nástrojů.

Tento instruktorův živý kurz v České republice (online nebo na místě) je určen pro začátečnické personál kriminální policie, kteří chtějí přejít z ručního tvářového kreslení k použití nástrojů umělé inteligence pro vyvíjení systémů rozpoznávání tváří.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům umělé inteligence a strojového učení.
• Získat základní znalosti o digitálním zpracování obrazu a jeho aplikaci v rozpoznávání tváří.
• Rozvíjet dovednosti ve využívání nástrojů a rámčových architektur umělé inteligence pro vytvoření modelů rozpoznávání tváří.
• Získejte praktické zkušenosti s vytvářením, tréninkem a testováním systémů rozpoznávání tváří.
• Porozumět etickým aspektům a nejlepším postupům při použití technologií rozpoznávání tváří.

Fiji je open-source balíček pro zpracování obrazu, který obsahuje ImageJ (program pro zpracování obrazu pro vědecké vícerozměrné obrazy) a řadu zásuvných modulů pro vědeckou analýzu obrazu.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat distribuci Fidži a její základní program ImageJ k vytvoření aplikace pro analýzu obrazu.

Na konci tohoto školení budou účastníci schopni:

• Použijte pokročilé programovací funkce a softwarové komponenty Fiji k rozšíření ImageJ
• Spojte velké 3D obrázky z překrývajících se dlaždic
• Automaticky aktualizujte instalaci na Fidži při spuštění pomocí integrovaného aktualizačního systému
• Vyberte si ze širokého výběru skriptovacích jazyků a vytvořte vlastní řešení analýzy obrazu
• Používejte výkonné knihovny Fidži, jako je ImgLib, na velké datové sady bioimage
• Nasaďte jejich aplikaci a spolupracujte s dalšími vědci na podobných projektech

Formát kurzu

• Interaktivní přednáška a diskuze.
• Spousta cvičení a cvičení.
• Praktická implementace v prostředí živé laboratoře.

Možnosti přizpůsobení kurzu

• Chcete-li požádat o školení na míru pro tento kurz, kontaktujte nás a domluvíme se.

Tento instruktorův kurz (online nebo na místě) je určen začínajícím a středně pokročilým výzkumníkům a laboratorním odborníkům, kteří chtějí zpracovávat a analyzovat obrázky související s histologickými tkáněmi, krvešťavými buněkami, algy a jinými biologickými vzorky.

Konec kurzu budou účastníci schopni:

• Navigovat v rozhraní Fiji a využít základní funkce ImageJ.
• Předzpracovat a zdokonalit vědecké obrázky pro lepší analýzu.
• Analyzovat obrázky kvantitativně, včetně počítání buněk a měření ploch.
• Automatizovat opakující se úkoly pomocí makr a pluginů.
• Přizpůsobit pracovní postupy pro specifické potřeby analýzy obrazů v biologickém výzkumu.

Tento instruktorův vedený,živý trénink (online nebo na místě) je zaměřen na středně pokročilé datové vědce a programátory, kteří chtějí efektivně aplikovat algoritmy strojového učení pomocí prostředí Google Colab.

Konec tréninku budou účastníci schopni:

• Nastavit a orientovat se v prostředí Google Colab pro projekty strojového učení.
• Pochopit a aplikovat různé algoritmy strojového učení.
• Použít knihovny jako Scikit-learn pro analýzu a predikci dat.
• Implementovat modely supervizovaného a nesupervizovaného učení.
• Efektivně optimalizovat a vyhodnotit modely strojového učení.

OpenCV (Open Source Computer Vision Library: http://opencv.org) je open-source knihovna s licencí BSD, která obsahuje několik stovek algoritmů počítačového vidění.

Publikum

Tento kurz je zaměřen na inženýry a architekty, kteří chtějí využít OpenCV pro projekty počítačového vidění

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na softwarové inženýry, kteří chtějí programovat v Python s OpenCV 4 pro hluboké učení.

Na konci tohoto školení budou účastníci schopni:

• Zobrazte, načtěte a klasifikujte obrázky a videa pomocí OpenCV 4.
• Implementujte hluboké učení v OpenCV 4 pomocí TensorFlow a Keras.
• Spouštějte modely hlubokého učení a generujte působivé zprávy z obrázků a videí.

OpenFace je Python a Torch otevřený software pro rozpoznávání obličeje v reálném čase založený na výzkumu FaceNet společnosti Google.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak používat komponenty OpenFace k vytvoření a nasazení ukázkové aplikace pro rozpoznávání obličeje.

Na konci tohoto školení budou účastníci schopni:

• Pracujte s komponentami OpenFace, včetně dlib, OpenVC, Torch a nn4, abyste mohli implementovat detekci, zarovnání a transformaci obličeje
• Použijte OpenFace na aplikace v reálném světě, jako je sledování, ověřování identity, virtuální realita, hraní her a identifikace opakovaných zákazníků atd.

Publikum

• Vývojáři
• Datoví vědci

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

Pattern Matching je technika používaná k nalezení specifikovaných vzorů v obraze. Může být použit k určení existence specifikovaných charakteristik v pořízeném snímku, například očekávaný štítek na vadném produktu v tovární lince nebo specifikované rozměry součásti. Liší se od „Pattern Recognition“ (který rozpoznává obecné vzory založené na větších kolekcích příbuzných vzorků) v tom, že konkrétně určuje, co hledáme, a pak nám říká, zda očekávaný vzor existuje nebo ne.

Formát kurzu

• Tento kurz seznamuje s přístupy, technologiemi a algoritmy používanými v oblasti porovnávání vzorů, jak se vztahuje na Machine Vision.

Tento instruktorův kurz (online nebo na místě) je určen začínajícím vývojářům a analytikům dat, kteří chtějí naučit se programovat v jazyce Python od základu pomocí platformy Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům programovacího jazyka Python.
• Implementovat kód v jazyce Python v prostředí Google Colab.
• Používat struktury ovládání pro správu toku programu v jazyce Python.
• Vytvářet funkce k efektivnímu organizování a reužívání kódu.
• Prozkoumat a používat základní knihovny pro programování v jazyce Python.

Toto živé školení vedené instruktorem představuje software, hardware a postupný proces potřebný k vytvoření systému rozpoznávání obličeje od nuly. Rozpoznávání obličeje je také známé jako Face Recognition.

Hardware používaný v této laboratoři zahrnuje Rasberry Pi, kamerový modul, serva (volitelné) atd. Účastníci jsou odpovědní za nákup těchto komponent sami. Použitý software zahrnuje OpenCV, Linux, Python atd.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte Linux, OpenCV a další softwarové nástroje a knihovny na Rasberry Pi.
• Nakonfigurujte OpenCV pro zachycení a detekci snímků obličeje.
• Pochopte různé možnosti balení systému Rasberry Pi pro použití v reálných prostředích.
• Přizpůsobte systém různým případům použití, včetně sledování, ověřování identity atd.

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

Poznámka

• Mezi další hardwarové a softwarové možnosti patří: Arduino, OpenFace, Windows atd. Pokud si přejete použít některou z těchto možností, kontaktujte nás, abychom se domluvili.

Tento instruktážní živý kurz v České republice (online nebo na místě) je určen pro středně pokročilé odborníky, kteří chtějí použít Vision Builder AI ke konstrukci, implementaci a optimalizaci automatických inspekčních systémů pro procesy SMT (Surface-Mount Technology).

Konec kurzu budou účastníci schopni:

• Nastavit a nakonfigurovat automatické inspekce pomocí Vision Builder AI.
• Získat a předzpracovat vysokokvalitní obrázky pro analýzu.
• Implementovat logická rozhodnutí pro detekci vad a validaci procesu.
• Vytvářet inspekční zprávy a optimalizovat výkon systému.