Computer Vision with Google Colab and TensorFlow Training Course

Po absolvování tohoto školení budou účastníci schopni:

Toto školení s instruktorem (online nebo na místě) je určeno pro začátečnické datové vědce a IT odborníky, kteří chtějí seznámit se základy datové vědy pomocí Google Colab.

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

Po ukončení tohoto školení budou účastníci schopni:

Toto instruktážní, živé školení na místě (online nebo osobně) je určeno začínajícím datovým vědcům, kteří chtějí naučit, jak vytvářet významné a vizuálně poutavé datové vizualizace.

• Nastavit a orientovat se v Google Colab pro vizualizaci dat.
• Vytvářet různé druhy grafů pomocí Matplotlibu.
• Používat Seaborn pro pokročilé vizualizační techniky.
• Vylepšovat grafy pro lepší prezentaci a jasnost.
• Efektivně interpretovat a prezentovat data pomocí vizuálních nástrojů.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na pracovníky činných v trestním řízení na úrovni začátečníků, kteří chtějí přejít od ručního skicování obličeje k používání nástrojů AI pro vývoj systémů rozpoznávání obličejů.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základy umělé inteligence a Machine Learning.
• Naučte se základy digitálního zpracování obrazu a jeho aplikace při rozpoznávání obličeje.
• Rozvíjejte dovednosti v používání nástrojů a rámců umělé inteligence k vytváření modelů rozpoznávání obličejů.
• Získejte praktické zkušenosti s vytvářením, školením a testováním systémů rozpoznávání obličeje.
• Pochopte etická hlediska a osvědčené postupy při používání technologie rozpoznávání obličeje.

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.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky až středně pokročilé výzkumníky a laboratorní profesionály, kteří chtějí zpracovávat a analyzovat snímky související s histologickými tkáněmi, krvinkami, řasami a dalšími biologickými vzorky.

Na konci tohoto školení budou účastníci schopni:

• Procházejte rozhraním Fidži a využívejte základní funkce ImageJ.
• Předzpracování a vylepšení vědeckých snímků pro lepší analýzu.
• Analyzujte obrázky kvantitativně, včetně počítání buněk a měření plochy.
• Automatizujte opakující se úlohy pomocí maker a pluginů.
• Přizpůsobte pracovní postupy specifickým potřebám analýzy obrazu v biologickém výzkumu.

Po absolvování tohoto školení budou účastníci schopni:

Toto školení s instruktorem (online nebo na místě) je určeno středně pokročilým datovým vědcům a vývojářům, kteří chtějí efektivně používat algoritmy strojového učení v prostředí Google Colab.

• Nastavit a orientovat se v prostředí Google Colab pro projekty strojového učení.
• Pochopit a aplikovat různé algoritmy strojového učení.
• Používat knihovny jako Scikit-learn pro analýzu a predikci dat.
• Implementovat modely řízeného a nápravného učení.
• Efektivně optimalizovat a hodnotit 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.

Po absolvování tohoto školení budou účastníci schopni:

Toto školení vedené instruktorem (online nebo na místě) je určeno začínajícím vývojářům a analytikům dat, kteří chtějí naučit se programování jazykem Python od základu pomocí Google Colab.

• Porozumět základům programovacího jazyka Python.
• Implementovat kód v prostředí Google Colab.
• Využít struktury ovládání pro správu toku programu Python.
• Vytvářet funkce pro organizaci a efektivní opakované použití kódu.
• Prozkoumat a využít základní knihovny pro programování jazykem 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.