Computer Vision v Pythonu Počítačový Kurz

Toto živé školení pod vedením instruktora České republice (online nebo na místě) je určeno pro vývojáře umělé inteligence a inženýry počítačového vidění na středně pokročilé úrovni, kteří chtějí budovat robustní vizuální systémy pro autonomní řízení.

Po absolvování tohoto kurzu budou účastníci schopni:

• Pochopit základní koncepty počítačového vidění v autonomních vozidlech.
• Implementovat algoritmy pro detekci objektů, rozpoznávání jízdních pruhů a semantickou segmentaci.
• Integrovat vizuální systémy s dalšími subsystémy autonomních vozidel.
• Využívat metody hlubokého učení k řešení pokročilých úkolů v oblasti vnímání prostředí.
• Vyhodnocovat výkonnost modelů počítačového vidění v reálných podmínkách.

Toto živé školení pod vedením instruktora České republice (online nebo na místě) je určeno profesionálům na pokročilé úrovni, kteří si chtějí prohloubit znalosti v oblasti počítačového vidění a seznámit se s možnostmi TensorFlow při tvorbě sofistikovaných modelů za pomoci Google Colab.

Po absolvování tohoto kurzu budou účastníci schopni:

• Vytvářet a trénovat konvoluční neurální sítě (CNN) pomocí TensorFlow.
• Využívat Google Colab k škálovatelnému a efektivnímu vývoji modelů v cloudovém prostředí.
• Aplikovat techniky předzpracování obrazu při řešení úloh počítačového vidění.
• Nasazovat modely počítačového vidění do reálných aplikací.
• Využívat přenosové učení ke zvýšení výkonnosti modelů CNN.
• Vizualizovat a interpretovat výsledky modelů určených k klasifikaci obrazu.

Toto školení pod vedením lektora České republice (online nebo na místě) je určeno pro programátory Pythonu a analytiky dat středně pokročilé úrovně, kteří si chtějí rozšířit dovednosti při manipulaci s daty pomocí knihoven Pandas a NumPy.

Po absolvování školení budou účastníci schopni:

• Nastavit vývojové prostředí obsahující Python, Pandas i NumPy.
• Vytvořit aplikaci na analýzu dat využívající Pandas a NumPy.
• Provádět pokročilou transformaci, řazení a filtrování dat.
• Provádět agregace a analyzovat časové řady.
• Vytvářet vizualizace pomocí knihoven jako Matplotlib.
• Ladit a optimalizovat svůj kód na zpracování dat.

Toto živé školení pod vedením instruktora v České republice (online nebo na místě) je určeno pro inženýry počítačového vidění, vývojáře AI a odborníky na IoT se středně pokročilými až pokročilými znalostmi, kteří chtějí implementovat a optimalizovat modely počítačového vidění pro reálné zpracování na hraničních zařízeních.

Po absolvování tohoto kurzu budou účastníci schopni:

• Porozumět základům Edge AI a jeho využití v oblasti počítačového vidění.
• Nasazovat optimalizované modely hlubokého učení na hraniční zařízení pro zpracování obrazu a videa v reálném čase.
• Využívat nástroje jako TensorFlow Lite, OpenVINO a NVIDIA Jetson SDK při nasazování modelů.
• Optimalizovat modely AI z hlediska výkonu, energetické efektivnosti a minimální latence.

Toto praktické školení pod vedením instruktora v České republice (online nebo na místě) je určeno pro policisty začátečníky, kteří si přejí přejít od ručního kreslení portrétů k využívání nástrojů umělé inteligence při vývoji systémů na rozpoznávání obličejů.

Po absolvování tohoto školení budou účastníci schopni:

• Pochopit základy umělé inteligence a strojového učení.
• Seznámit se se základy digitálního zpracování obrazu a jeho využitím při rozpoznávání obličejů.
• Získat dovednosti potřebné k používání nástrojů a frameworků umělé inteligence při vytváření modelů pro rozpoznávání obličejů.
• Získat praktické zkušenosti s tvorbou, trénováním a testováním systémů na rozpoznávání obličejů.
• Porozumět etickým aspektům a osvědčeným postupům při využívání technologie rozpoznávání obličejů.

Tento kurz vedený lektorem (online nebo na místě) je určen vývojářům, kteří chtějí využít stack FARM (FastAPI, React a MongoDB) pro tvorbu dynamických, vysoce výkonných a škálovatelných webových aplikací.

Po absolvování kurzu budou účastníci schopni:

• Nastavit potřebné vývojové prostředí integrující FastAPI, React a MongoDB.
• Pochopit klíčové koncepty, vlastnosti a výhody stacku FARM.
• Vytvářet REST API pomocí frameworku FastAPI.
• Navrhovat interaktivní aplikace s využitím Reactu.
• Vyvíjet, testovat a nasazovat aplikace (jak na straně front-endu, tak back-endu) pomocí stacku FARM.

Toto školení pod vedením instruktora České republice (online nebo na místě) je určeno vývojářům, kteří chtějí s pomocí FastAPI efektivněji a rychleji vytvářet, testovat a nasazovat RESTful API.

Po absolvování tohoto kurzu budou účastníci schopni:

• Nastavit potřebné vývojové prostředí pro tvorbu API v Pythonu s využitím FastAPI.
• Rychleji a snadněji vytvářet API díky knihovně FastAPI.
• Vytvářet datové modely a schémata pomocí nástrojů Pydantic a OpenAPI.
• Připojit API k databázi s využitím knihovny SQLAlchemy.
• Zajistit zabezpečení a autentizaci v rámci API prostřednictvím nástrojů FastAPI.
• Sestavovat kontejnerové obrazy a nasazovat webová API na cloudový server.

Tento praktický kurz o České republice pokrývá základy Fiji a ImageJ pro biologický výzkum. Účastníci získají praktické dovednosti v předzpracování obrazů, kvantitativní analýze a automatizaci pomocí makr, aby mohli optimalizovat pracovní postupy pro histologické tkáně, buňky a jiné vzorky za podmínek reprodukovatelných výsledků.

Toto školení pod vedením instruktora České republice (online nebo na místě) je určeno pro profesionály středně pokročilé úrovně, kteří chtějí s pomocí Vision Builder AI navrhovat, implementovat a optimalizovat systémy automatizované inspekce pro procesy SMT (technologie povrchové montáže).

Po absolvování tohoto školení budou účastníci schopni:

• Nastavit a konfigurovat automatizované inspekce pomocí Vision Builder AI.
• Zachytávat a předzpracovávat vysoce kvalitní snímky pro analýzu.
• Používat logická rozhodnutí k detekci vad a ověřování správnosti procesů.
• Vytvářet inspekční zprávy a optimalizovat výkon celého systému.

Tento interaktivní školení vedené lektorem v oblasti České republice (online nebo na místě) je určeno vývojářům, výzkumníkům a datovým vědcům s pokročilou až odbornou úrovní, kteří si přejí osvojit si implementaci reálné detekce objektů pomocí YOLOv7.

Na konci tohoto školení budou účastníci schopni:

• Chápat základní koncepty detekce objektů.
• Nainstalovat a nakonfigurovat YOLOv7 pro úlohy detekce objektů.
• Trénovat a testovat vlastní modely detekce objektů pomocí YOLOv7.
• Integrovat YOLOv7 s jinými frameworky a nástroji pro počítačové vidění.
• Odstraňovat běžné problémy spojené s implementací YOLOv7.