Gépészettudomány Pythonnal Képzés

A Caffe egy mély tanulási keretrendszer, amely kifejezőkéség, gyorsaság és modularitás szem előtt tartása mellett készült.

Ez a kurzus a Caffe alkalmazását vizsgálja képfelismerésre az MNIST példával.

Célcsoport

A kurzus alkalmas mély tanulási kutatók és mérnökök számára, akik a Caffe keretrendszert szeretnék használni.

Ez a kurzus befejezése után a résztvevők képesek lesznek:

• a Caffe szerkezetének és telepítési mechanizmusainak megértésére
• a telepítés, éles környezet, architektúra feladatok elvégzésére és konfigurálására
• a kódminőség becslésére, hibakeresésre és monitorozásra
• haladó éles környezet implementálására, például modell tanítása, rétegek megvalósítása és naplózás

Ez az iránytató által vezetett élő képzés Magyarország (online vagy helyszíni) data scientisteknek és szoftvermérnököknek szól, akik a Dask-et szeretnék használni a Python-egyérből nagy adathalmazokat építeni, skálázni és elemezni.

E képzés végére az résztvevők képesek lesznek:

• Környezet beállítása nagy adathalmazok feldolgozásának megkezdéséhez a Dask és Python használatával.
• A Dask rendelkezésének, könyvtárának, eszközeinek és API-jainak ismerete.
• Értékelje meg, hogyan gyorsítja a Dask a Python párhuzamos számításait.
• Megismerik, hogyan skálázható a Python-ekoszisztéma (Numpy, SciPy és Pandas) a Dask segítségével.
• A Dask környezet optimalizálása a nagy adathalmazok kezelése során magas teljesítmény fenntartásához.

Azon oktatóvezetett, élő képzés Magyarország (online vagy helyszíni) célközönsége az a középhőmérsékű Python fejlesztők és adattudósok, akik kíváncsiak arra, hogy javítsák adatelemzési és adatmanipulációs képességeiket Pandas-vel és NumPy-val.

E képzés végén a résztvevők képesek lesznek:

• Python-t, Pandas-t és NumPy-t tartalmazó fejlesztői környezetet állítanak be.
• Pandas-vel és NumPy-val adatelemző alkalmazást hozzanak létre.
• Elvégezzenek előrehaladott adatszabályozási, rendezési és szűrési műveleteket.
• Végrehajtanak összegzési műveleteket és elemznek idősorozat-adatokat.
• Matplotlib és más vizualizációs könyvtárak segítségével adatok megjelenítését végrehajtanak.
• Hibák keresését és optimalizálják adatelemző kódjukat.

Ez oktatóvezetett, élő képzés Magyarország (online vagy helyszínen) a kezdő szintű rendőrségi személyzet számára szól, akik át akarnak lépni a kézi arcrajzolástól az AI eszközök használatára az arcfelismerő rendszerek fejlesztésében.

A képzés végére a résztvevők képesek lesznek:

• Megértik az Artificial Intelligence és Machine Learning alapjait.
• Megtanulják a digitális képfeldolgozás alapjait és alkalmazását az arcfelismerésben.
• Fejlesztik az AI eszközök és keretek használatában az arcfelismerő modellek létrehozásához.
• Szerzik a gyakorlati tapasztalatot az arcfelismerő rendszerek létrehozásában, képzésében és tesztelésében.
• Megértik az etikai szempontokat és a legjobb gyakorlatokat az arcfelismerő technológia használatában.

Ez az instruktor vezetésű élő képzés (online vagy helyszíni) fejlesztők számára készült, akik a FARM (FastAPI, React és MongoDB) stack segítségével dinamikus, nagy teljesítményű és skálázható webalkalmazásokat szeretnének létrehozni.

A képzés végeztével a résztvevők képesek lesznek:

• Beállítani a FastAPI, React és MongoDB integrált fejlesztői környezetet.
• Megérteni a FARM stack alapvető fogalmait, jellemzőit és előnyeit.
• Megtudni, hogyan építsenek REST API-kat FastAPI-val.
• Megtudni, hogyan tervezzenek interaktív alkalmazásokat a Reacttal.
• Készíteni, tesztelni és üzembe helyezni alkalmazásokat (front-end és back-end) a FARM stack segítségével.

Ez a tanárvezetett élő képzés Magyarország (online vagy helyszíni) programozók számára készült, akik gyorsabban és egyszerűbben szeretnének RESTful API-kat létrehozni, tesztelni és üzembe helyezni a Python FastAPI használatával.

A képzés végére a résztvevők képesek lesznek:

• Készíteni a szükséges fejlesztői környezetet API-k Python és FastAPI használatára.
• Gyorsabban és egyszerűbben létrehozni API-kat a FastAPI könyvtár használatával.
• Megtanulni, hogyan készíthetnek adattipusokat és sémastruktúrákat a Pydantic és az OpenAPI alapján.
• Csatlakoztatni API-kat adatbázishoz a SQLAlchemy használatával.
• Biztonsági és hitelesítési funkciókat implementálni API-kban a FastAPI eszközeivel.
• Tároló images-t készíteni és webes API-kat üzembe helyezni felhőszerveren.

A Fiji egy nyílt forráskódú képfeldolgozó csomag, amely az ImageJ-t (egy képfeldolgozó program tudományos többdimenziós képekhez) és számos tudományos képelemzési beépülő modult tartalmaz.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan használhatják a Fidzsi-szigeteki disztribúciót és az alapjául szolgáló ImageJ programot egy képelemző alkalmazás létrehozásához.

A képzés végére a résztvevők képesek lesznek:

• Használja Fidzsi-szigetek fejlett programozási funkcióit és szoftverösszetevőit az ImageJ kiterjesztéséhez
• Tűzzön össze nagy 3D képeket az egymást átfedő csempékből
• A Fidzsi-szigeteki telepítések automatikus frissítése indításkor az integrált frissítési rendszer segítségével
• Válasszon a szkriptnyelvek széles választékából, hogy egyedi képelemzési megoldásokat készítsen
• Használja Fidzsi-szigetek hatékony könyvtárait, például az ImgLib-et a nagy biokép-adatkészletekhez
• Telepítse alkalmazásukat, és működjön együtt más tudósokkal hasonló projektekben

A tanfolyam formátuma

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorlat.
• Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

• Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

Ez az interaktív, tanár vezetésű élőképzés Magyarország (online vagy helyszínen) elemtudós- és laborprofesionális kutatók szintjéig terjed, akik a histológiai tükörkönyveken, vércsomókon, algaeken és más biológiai mintákon szeretnének képfeldolgozást és -analíziát végezni.

A képzés végére a résztvevők képesek lesznek:

• Navigálni a Fiji felhasználói felületén és az ImageJ alapfunkcióit felhasználni.
• Készíteni előfeldolgozott és javított tudományos képeket a jobb analízis érdekében.
• Mennyiségi képfeldolgozást végezni, beleértve a sejtszámlálást és területmérést is.
• Automatizálni az ismétlődő feladatokat makrokat és beépülő modulok használatával.
• Testre szabni a munkafolyamatokat a biológiai kutatás speciális képfeldolgozási igényeihez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik az Modin segítségével párhuzamos számításokat kívánnak készíteni és megvalósítani a Pandas-vel a gyorsabb adatelemzés érdekében.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges környezetet a Pandas munkafolyamatok nagyarányú fejlesztésének megkezdéséhez az Modin segítségével.
• Ismerje meg az Modin szolgáltatásait, felépítését és előnyeit.
• Ismerje meg a különbségeket Modin, Dask és Ray között.
• Hajtsa végre a Pandas műveletet gyorsabban az Modin segítségével.
• Valósítsa meg a teljes Pandas API-t és funkciókat.

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 az OpenCV-et számítógépes látásprojektekben szeretnék használni

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

A képzés végére a résztvevők képesek lesznek:

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

A Pattern Matching a képen belüli meghatározott minták megkeresésére használt technika. Használható a rögzített képen belüli meghatározott jellemzők meglétének meghatározására, például a gyári soron lévő hibás termék várható címkéje vagy egy alkatrész meghatározott méretei. Ez abban különbözik az "Pattern Recognition"-től (amely a kapcsolódó minták nagyobb gyűjteményei alapján ismer fel általános mintákat), mivel konkrétan megszabja, hogy mit keresünk, majd megmondja, hogy a várt minta létezik-e vagy sem.

A tanfolyam formátuma

• Ez a kurzus bemutatja a mintaillesztés területén alkalmazott megközelítéseket, technológiákat és algoritmusokat a Machine Vision esetében.

A SimpleCV egy nyílt forráskódú keretrendszer – ami azt jelenti, hogy könyvtárak és szoftverek gyűjteménye, amelyek segítségével látásalkalmazásokat fejleszthet. Lehetővé teszi a webkamerákról, Kinects-ről, FireWire- és IP-kamerákról vagy mobiltelefonokról származó kép- vagy videofolyamokkal való munkát. Segítségével olyan szoftvereket készíthet, amelyek segítségével a különféle technológiái ne csak lássák a világot, hanem megértsék is.

Közönség

Ez a kurzus azoknak a mérnököknek és fejlesztőknek szól, akik a SimpleCV segítségével számítógépes látásalkalmazásokat szeretnének fejleszteni.

Ez a tanácsadó által vezetett, élő képzés (Magyarország-ban, online vagy helyszíni) középvizszintű szakemberek számára készült, akik szeretnék a Vision Builder AI-t használni az SMT (Felületi Montázszerelés Technológia) folyamatok automatizált ellenőrzési rendszereinek tervezésére, megvalósítására és optimalizálására.

A képzés végén a résztvevők képesek lesznek:

• Automatikus ellenőrzések beállítása és konfigurálása a Vision Builder AI segítségével.
• Megfelelő minőségű képek beszerzése és előfeldolgozása az elemzéshez.
• Logikai döntések megvalósítása hibák észlelése és folyamat ellenőrzése szempontjából.
• Ellenőrzési jelentések készítése és a rendszer teljesítményének optimalizálása.