Pattern Matching Kurzusok

Marvin egy kiterjeszthető, platformok közötti, nyílt forrású kép- és videófeldolgozási keret, amelyet Java fejlesztettek ki. A fejlesztők a Marvin használatával képeket tudnak manipulálni, képeket képeket vonnak ki osztályozási feladatok elvégzésére, algoritmikusan generálnak számokat, feldolgozzák a videofájlok adatkészleteit, és beállíthatják az egységteszt automatizálását.

A Marvin néhány videoalkalmazása magában foglalja a szűrést, a kibővített valóságot, az objektumkövetést és a mozgásérzékelést.

Ebben az oktató által vezetett élő kurzus résztvevői megtanulják a kép- és videóanalízis alapelveit, és felhasználják a Marvin Framework-t és annak képfeldolgozó algoritmusait saját alkalmazásuk felépítéséhez.

A tantárgy formátuma

• Elsőként bemutatják a képanalízis, a Marvin és a Marvin keretrendszer alapelveit. A hallgatók projekt alapú feladatokat kapnak, amelyek lehetővé teszik számukra a megtanult fogalmak gyakorlását. Az osztály végére a résztvevők kidolgozzák saját alkalmazásukat a Marvin keretrendszer és a könyvtárak segítségével.

Scilab egy fejlett, ingyenes és nyílt forrású, magas szintű nyelv a tudományos adatok manipulálásához. Statisztikához, grafikához és animációhoz, szimulációhoz, jelfeldolgozáshoz, fizikához, optimalizáláshoz és még sok máshoz használható, központi adatstruktúrája a mátrix, egyszerűsítve sokféle típusú problémát az alternatívákhoz képest, mint például a FORTRAN és a C származékok. Kompatibilis olyan nyelvekkel, mint a C, a Java és a Python , és alkalmassá teszi a meglévő rendszerek kiegészítésére.

Ebben az oktató által vezetett képzésben a résztvevők megtanulják a Scilab előnyeit az olyan alternatívákhoz képest, mint például a Matlab, a Scilab szintaxisának alapjait, valamint néhány fejlett funkciót, és interfészt más széles körben használt nyelvekkel, igénytől függően. A tanfolyam egy rövid, a képfeldolgozásra összpontosító projekttel zárul le.

A képzés végére a résztvevők megismerik a Scilab alapvető funkcióit és néhány fejlett funkcióját, és rendelkeznek erőforrásokkal ahhoz, hogy tovább bővítsék tudásukat.

Közönség

• Adattudósok és mérnökök, különös tekintettel a képfeldolgozásra és az arcfelismerésre

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és intenzív gyakorlati gyakorlat, egy záró projekttel

PaddlePaddle (PArallel Distributed Deep LEarning) is a scalable deep learning platform developed by Baidu.

In this instructor-led, live training, participants will learn how to use PaddlePaddle to enable deep learning in their product and service applications.

By the end of this training, participants will be able to:

• Set up and configure PaddlePaddle
• Set up a Convolutional Neural Network (CNN) for image recognition and object detection
• Set up a Recurrent Neural Network (RNN) for sentiment analysis
• Set up deep learning on recommendation systems to help users find answers
• Predict click-through rates (CTR), classify large-scale image sets, perform optical character recognition(OCR), rank searches, detect computer viruses, and implement a recommendation system.

Audience

• Developers
• Data scientists

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely összekapcsolja az ImageJ (tudományos többdimenziós képek képfeldolgozó programját) és számos, a tudományos képelemzésre szolgáló bővítményeket Ebben az oktatott, élő képzésben a résztvevők megtanulják, hogyan használják a Fiji-eloszlást és annak alapjául szolgáló ImageJ programot egy képelemző alkalmazás létrehozásához A képzés végére a résztvevők képesek lesznek: Használja a Fiji fejlett programozási szolgáltatásait és szoftverkomponenseit az ImageJ kiterjesztéséhez Fogd össze a nagyméretű 3d képeket az átfedő lapokból Automatikusan frissítse a Fiji telepítését indításkor az integrált frissítési rendszer használatával Válasszon a szkriptnyelvek széles választékából az egyéni képelemzési megoldások létrehozásához Használja a Fidzsi nagy teljesítményű könyvtárakat, például az ImgLib-et a nagy bioimage adatkészleteken Telepítsük alkalmazását és együttműködjünk más kutatókkal hasonló projekteken Közönség A tudósok kutatók Fejlesztők A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

Ez az oktató által irányított, élő kurzus bevezetést nyújt a mintafelismerés és a gépi tanulás területébe. A statisztika, a számítástechnika, a jelfeldolgozás, a számítógépes látás, az adatbányászat és a bioinformatika gyakorlati alkalmazásaira vonatkozik.

A tanfolyam interaktív, és rengeteg gyakorlati gyakorlatot, oktató visszajelzést, valamint a megszerzett tudás és készségek tesztelését tartalmazza.

Caffe egy mély tanulási keretrendszer, melyet kifejezést, sebességet és modularitást szem előtt tartanak.

Ez a kurzus a Caffe alkalmazásának mélyreható tanulási keretrendszerét vizsgálja a képfelismeréshez MNIST példaként

Közönség

Ez a kurzus alkalmas a Deep Learning kutatók és mérnökök számára, akik érdeklődnek a Caffe keretrendszerének felhasználásáról.

A kurzus befejezése után a küldöttek:

• megértsék a Caffe szerkezetét és a telepítési mechanizmusokat
• telepítési / gyártási környezet / architektúra feladatokat és konfigurációt végez
• a kód minőségének értékelése, hibakeresés, monitorozás
• fejlett gyártást, például képzési modelleket, rétegeket és naplózást valósít meg

Computer Vision egy olyan terület, amely magában foglalja a digitális média hasznos információinak automatikus kinyerését, elemzését és megértését. Python magas szintű programozási nyelv, amely tiszta szintaxisáról és kódolvashatóságáról híres.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják a Computer Vision alapjait, miközben a Python használatával létrehoznak egy egyszerű Computer Vision alkalmazást.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a Computer látás alapjait
• A Python használatával hajtsa végre a Computer Vision feladatokat
• Készítsen saját arc-, tárgy- és mozgásérzékelő rendszert

Közönség

• Python Computer látás iránt érdeklődő Python programozók

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik mély tanulási technikákat alkalmazva szeretnének önvezető autót építeni.

A képzés végére a résztvevők képesek lesznek:

• Használja a Keras-t egy konvolúciós neurális hálózat felépítéséhez és betanításához.
• Használjon számítógépes vizuális technikákat a sávok azonosítására egy autonóm vezetési projektben.
• Tanuljon meg egy mély tanulási modellt a közlekedési táblák megkülönböztetésére.
• Szimuláljon egy teljesen autonóm autót.

A SimpleCV egy nyílt forráskódú keret, ami azt jelenti, hogy könyvtárak és szoftverek gyűjteménye, amelyeket a látásalkalmazások fejlesztésére használhat. Lehetővé teszi a webkamerákból, Kinect-ekből, FireWire és IP-kamerákból vagy mobiltelefonokból származó képeket vagy videófolyamokat. Ez segít a szoftverek megalkotásában, hogy a különböző technológiák ne csak a világot láthassák, hanem azt is megértsék.

Közönség

Ez a kurzus olyan mérnökökre és fejlesztőkre irányul, akik számítógépes látásalkalmazásokat kívánnak fejleszteni a SimpleCV-vel.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik hardveresen gyorsított objektumészlelési és nyomkövetési modelleket szeretnének építeni a streaming videoadatok elemzéséhez.

A képzés végére a résztvevők képesek lesznek:

• A fejlesztés megkezdéséhez telepítse és konfigurálja a szükséges fejlesztői környezetet, szoftvereket és könyvtárakat.
• Építsen, képezzen és telepítsen mély tanulási modelleket az élő videofeedek elemzéséhez.
• A videokockákon belüli különböző objektumok azonosítása, követése, szegmentálása és előrejelzése.
• Optimalizálja az objektumészlelési és nyomkövetési modelleket.
• Telepítsen egy intelligens videóelemző (IVA) alkalmazást.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a háttérfejlesztőknek és adattudósoknak szól, akik előre képzett YOLO-modelleket kívánnak beépíteni vállalati alapú programjaikba, és költséghatékony összetevőket szeretnének megvalósítani az objektumokhoz. érzékelés.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja az objektumészleléshez szükséges eszközöket és könyvtárakat a YOLO használatával.
• Testreszabhatja Python parancssori alkalmazásokat, amelyek a YOLO előre betanított modelljein alapulnak.
• Az előre betanított YOLO modellek keretrendszerének megvalósítása különféle számítógépes látási projektekhez.
• Konvertálja a meglévő adatkészleteket az objektumészleléshez YOLO formátumba.
• Ismerje meg a YOLO algoritmus alapvető fogalmait a számítógépes látás és/vagy a mélytanulás számára.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középhaladó és haladó szintű fejlesztőknek, kutatóknak és adattudósoknak szól, akik szeretnék megtanulni, hogyan valósítsák meg a valós idejű objektumészlelést a YOLOv7 használatával.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a tárgyfelismerés alapvető fogalmait.
• Telepítse és konfigurálja a YOLOv7-et az objektumészlelési feladatokhoz.
• Egyéni objektumészlelési modellek betanítása és tesztelése a YOLOv7 használatával.
• Integrálja a YOLOv7-et más számítógépes képi keretrendszerekkel és eszközökkel.
• A YOLOv7 megvalósításával kapcsolatos gyakori problémák elhárítása.

Az OpenCV (Open Source Computer Vision Library: http://opencv.org) egy nyílt forráskódú BSD-licenc könyvtár, amely több száz számítógépes látási algoritmust tartalmaz.

Közönség

Ez a kurzus azoknak a mérnököknek és építészeknek szól, akik a OpenCV-t számítógépes látásprojektekhez kívánják használni

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a szoftvermérnököknek szól, akik szeretnének Python-ben programozni az OpenCV 4-gyel a mély tanulás érdekében.

A képzés végére a résztvevők képesek lesznek:

• Tekintse meg, töltse be és osztályozza a képeket és videókat az OpenCV 4 segítségével.
• Valósítsa meg a mély tanulást az OpenCV 4-ben a TensorFlow és a Keras segítségével.
• Futtasson mély tanulási modelleket, és készítsen hatásos jelentéseket képekből és videókból.

Ez az oktatott, élő képzés bemutatja a szoftver, a hardver és a stepbystep folyamatát, amely az arcfelismerő rendszer megépítéséhez szükséges a semmiből Az arcfelismerés az Arcfelismerés néven is ismert A laborban használt hardver tartalmazza a Rasberry Pi-et, a fényképezőgép-modult, a szervókat (opcionális), stb A résztvevők felelősek ezen komponensek megvásárlásáért A használt szoftver OpenCV, Linux, Python stb A képzés végére a résztvevők képesek lesznek: Telepítse a Linux, az OpenCV és más szoftver segédprogramokat és könyvtárakat egy Rasberry Pi-on Az OpenCV beállítása az arcfájlok rögzítéséhez és felderítéséhez Ismerje meg a Rasberry Pi rendszer csomagolásának különböző lehetőségeit a valós világ környezetben való használatra Alkalmazkodni a rendszerhez különböző használati esetekben, beleértve a felügyeletet, a személyazonosság igazolását stb Közönség Fejlesztők Hardver / szoftver technikusok Technikai személyek minden iparágban Hobbifelhasználók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Egyéb hardver és szoftver opciók: Arduino, OpenFace, Windows stb Ha bármelyiket szeretné használni, kérjük, vegye fel velünk a kapcsolatot .