Computer Vision Pythonnal Képzés

A Caffe egy mélytanulási keretrendszer, amelyet kifejezőkészség, sebesség és modularitás szem előtt tartásával készítettek.

Ez a kurzus a Caffe alkalmazását vizsgálja mélytanulási keretrendszerként a képfelismerés területén, az MNIST példáján keresztül.

Célközönség

Ez a kurzus a mélytanulással foglalkozó kutatók és mérnökök számára alkalmas, akik a Caffe-t szeretnék keretrendszerként használni.

A kurzus elvégzése után a résztvevők képesek lesznek:

• megérteni a Caffe szerkezetét és üzembe helyezési mechanizmusait
• telepítési / termelési környezet / architektúra feladatok elvégzésére és konfigurálására
• kódminőség értékelésére, hibakeresésre és monitorozásra
• haladó termelési feladatok végrehajtására, mint a modellek betanítása, rétegek implementálása és naplózás

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszínen) adattudósok és szoftvermérnökök számára készült, akik a Dask-et szeretnék használni a Python ökoszisztémával nagy adathalmazok felépítéséhez, skálázásához és elemzéséhez.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a környezetet a nagy adatfeldolgozás megkezdéséhez Dask és Python segítségével.
• Felfedezni a Dask-ben elérhető funkciókat, könyvtárakat, eszközöket és API-kat.
• Megérteni, hogyan gyorsítja fel a Dask a párhuzamos számításokat Pythonban.
• Megtanulni, hogyan lehet skálázni a Python ökoszisztémát (Numpy, SciPy és Pandas) a Dask segítségével.
• Optimalizálni a Dask környezetet a nagy adathalmazok kezelésében való magas teljesítmény fenntartásához.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű Python fejlesztőknek és adatelemzőknek szól, akik szeretnék fejleszteni készségeiket a Pandas és NumPy használatával történő adatelemzés és -manipuláció terén.

A képzés végére a résztvevők képesek lesznek:

• Beállítani egy fejlesztői környezetet, amely magában foglalja a Python, Pandas és NumPy használatát.
• Létrehozni egy adatelemző alkalmazást Pandas és NumPy segítségével.
• Speciális adatfeldolgozást, rendezést és szűrést végrehajtani.
• Aggregált műveleteket végezni és idősoros adatokat elemezni.
• Adatokat vizualizálni a Matplotlib és más vizualizációs könyvtárak segítségével.
• Hibakeresést és optimalizálást végezni adatelemző kódjaikon.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) kezdő szintű rendvédelmi személyzetek számára készült, akik szeretnének áttérni a kézi arcrészletezésről az AI eszközök használatára az arcfelismerő rendszerek fejlesztésében.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Mesterséges Intelligencia és a Gépi Tanulás alapjait.
• Megismerni a digitális képfeldolgozás alapjait és annak alkalmazását az arcfelismerésben.
• Fejleszteni készségeiket az AI eszközök és keretrendszerek használatában az arcfelismerő modellek létrehozásához.
• Gyakorlati tapasztalatot szerezni az arcfelismerő rendszerek létrehozásában, betanításában és tesztelésében.
• Megérteni az etikai megfontolásokat és ajánlott gyakorlatokat az arcfelismerő technológia használatában.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a FARM (FastAPI, React, és MongoDB) verem használatával szeretnének dinamikus, nagy teljesítményű és skálázható webalkalmazásokat építeni.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet, amely integrálja a FastAPI-t, a Reactot és a MongoDB-t.
• Megérteni a FARM verem kulcsfogalmait, jellemzőit és előnyeit.
• Megtanulni, hogyan kell REST API-kat építeni a FastAPI-val.
• Megtanulni, hogyan kell interaktív alkalmazásokat tervezni a React segítségével.
• Fejleszteni, tesztelni és üzembe helyezni alkalmazásokat (frontend és backend) a FARM verem használatával.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék a FastAPI-t Pythonnal együtt használni RESTful API-k gyorsabb és egyszerűbb építéséhez, teszteléséhez és üzembe helyezéséhez.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet API-k fejlesztéséhez Pythonnal és FastAPI-val.
• Gyorsabban és egyszerűbben létrehozni API-kat a FastAPI könyvtár használatával.
• Megtanulni, hogyan készítsenek adatmodelleket és sémákat Pydantic és OpenAPI alapján.
• API-kat csatlakoztatni egy adatbázishoz SQLAlchemy segítségével.
• Biztonsági és hitelesítési megoldások implementálása API-kban a FastAPI eszközeivel.
• Tárolóképek készítése és webes API-k üzembe helyezése egy felhő szerveren.

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely az ImageJ-t (egy tudományos többdimenziós képek feldolgozására szolgáló programot) és számos beépülő modult tartalmaz a tudományos képanalízishez.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan használják a Fiji disztribúciót és az alapjául szolgáló ImageJ programot egy képfeldolgozó alkalmazás létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• A Fiji fejlett programozási funkcióit és szoftverkomponenseit használni az ImageJ bővítéséhez
• Nagy 3D képeket összeilleszteni egymást fedő részekből
• Automatikusan frissíteni egy Fiji telepítést az indításkor az integrált frissítési rendszer segítségével
• Széles választékból kiválasztani szkriptnyelveket egyedi képfeldolgozási megoldások készítéséhez
• A Fiji hatékony könyvtárait, például az ImgLib-t használni nagy bioadatkészleteken
• Alkalmazásuk üzembe helyezésére és együttműködésre más tudósokkal hasonló projekteken

A képzés formátuma

• Interaktív előadás és vita.
• Számos gyakorlat és gyakorlás.
• Gyakorlati megvalósítás élő laboratóriumi környezetben.

Képzés testreszabási lehetőségei

• A képzés testreszabásának kéréséhez kérjük, lépjen kapcsolatba velünk.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszíni) kezdő és középhaladó szintű kutatóknak és laboratóriumi szakembereknek szól, akik hisztológiai szövetek, vérsejtek, algák és más biológiai minták kapcsán szeretnének képeket feldolgozni és elemezni.

A képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felületén és az ImageJ alapfunkcióit használni.
• Tudományos képeket előfeldolgozni és javítani a jobb elemzés érdekében.
• Képeket mennyiségileg elemezni, beleértve a sejtszámlálást és a területmérést.
• Ismétlődő feladatokat automatizálni makrók és bővítmények segítségével.
• Munkafolyamatokat testreszabni a biológiai kutatásokban előforduló képfeldolgozási igényekhez.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik a Modin használatával párhuzamos számításokat szeretnének létrehozni és implementálni a Pandas segítségével a gyorsabb adatelemzés érdekében.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a szükséges környezetet a nagy léptékű Pandas munkafolyamatok fejlesztéséhez a Modin segítségével.
• Megérteni a Modin jellemzőit, architektúráját és előnyeit.
• Ismerni a Modin, a Dask és a Ray közötti különbségeket.
• Gyorsabban végrehajtani Pandas műveleteket a Modin segítségével.
• Implementálni a teljes Pandas API-t és funkciókat.

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

Célközönség

Ez a kurzus mérnököknek és architektusoknak szól, akik az OpenCV-t szeretnék használni számítógépes látási projektekben.

Ez az oktató által vezetett, élőben zajló képzés Magyarország-ben (online vagy helyszínen) szoftvermérnököknek szól, akik Pythonban szeretnének programozni az OpenCV 4-gyel a mélytanulás területén.

A képzés végére a résztvevők képesek lesznek:

• Képeket és videókat megtekinteni, betölteni és osztályozni az OpenCV 4 segítségével.
• Mélytanulást implementálni az OpenCV 4-ben a TensorFlow és a Keras segítségével.
• Mélytanulási modelleket futtatni és hatásos jelentéseket készíteni képekből és videókból.

A mintázatillesztés egy olyan technika, amelyet a képekben lévő meghatározott mintázatok lokalizálására használnak. Segítségével meghatározható, hogy egy rögzített képben megtalálhatóak-e a meghatározott jellemzők, például egy gyártósoron lévő hibás terméken az elvárt címke vagy egy alkatrész meghatározott méretei. A "Mintázatfelismeréstől" (amely általános mintázatokat ismer fel a kapcsolódó minták nagyobb gyűjteménye alapján) abban különbözik, hogy konkrétan meghatározza, mit keresünk, majd megmondja, hogy az elvárt mintázat létezik-e vagy sem.

A kurzus formátuma

• Ez a kurzus bemutatja a mintázatillesztés területén használt megközelítéseket, technológiákat és algoritmusokat a gépi látás alkalmazásában.

A SimpleCV egy nyílt forráskódú keretrendszer – vagyis olyan könyvtárak és szoftverek gyűjteménye, amelyek segítségével látóalkalmazásokat fejleszthet. Lehetővé teszi a webkamerák, Kinectek, FireWire és IP kamerák, illetve mobiltelefonok által szolgáltatott képekkel vagy videóstreammekkel való munkát. Segít olyan szoftvereket létrehozni, amelyekkel a különböző technológiáid nemcsak látják a világot, hanem meg is értik azt.

Célközönség

Ez a tanfolyam azoknak a mérnököknek és fejlesztőknek szól, akik SimpleCV-vel szeretnének számítógépes látóalkalmazásokat fejleszteni.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű szakembereknek szól, akik a Vision Builder AI segítségével szeretnének tervezni, implementálni és optimalizálni az automatikus ellenőrző rendszereket SMT (Surface-Mount Technology) folyamatokhoz.

A képzés végére a résztvevők képesek lesznek:

• Automatizált ellenőrzések beállítása és konfigurálása a Vision Builder AI segítségével.
• Kiváló minőségű képek rögzítése és előfeldolgozása elemzés céljából.
• Logika alapú döntések implementálása hibadetektálásra és folyamatvalidációra.
• Ellenőrzési jelentések készítése és rendszer teljesítményének optimalizálása.