Υπολογιστική Όραση για Αυτόνομη Οδήγηση Κομμάτι εκπαίδευσης

Αυτή η εκπαίδευση με εισηγητή, ζωντανή στο Ελλάδα (online ή δια ζώσης), απευθύνεται σε προχωρημένους μηχανικούς ρομποτικής και ερευνητές τεχνητής νοημοσύνης που επιθυμούν να υλοποιήσουν εξελιγμένους αλγορίθμους σχεδιασμού διαδρομών για να βελτιώσουν τις επιδόσεις των αυτόνομων οχημάτων.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να κατανοούν τα θεωρητικά θεμέλια των προηγμένων αλγορίθμων σχεδιασμού διαδρομών.
• Να υλοποιούν αλγορίθμους όπως οι RRT*, A* και D* για πλοήγηση σε πραγματικό χρόνο.
• Να βελτιστοποιούν τον σχεδιασμό διαδρομών για αποφυγή εμποδίων και δυναμικά περιβάλλοντα.
• Να ενσωματώνουν αλγορίθμους σχεδιασμού διαδρομών με δεδομένα αισθητήρων για αυξημένη ακρίβεια.
• Να αξιολογούν την απόδοση διαφόρων αλγορίθμων σε πρακτικά σενάρια.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά σε Ελλάδα (online ή onsite), απευθύνεται σε προχωρημένου επιπέδου επιστήμονες δεδομένων, ειδικούς στην τεχνητή νοημοσύνη και προγραμματιστές AI στον τομέα της αυτοκινητοβιομηχανίας που επιθυμούν να δημιουργήσουν, να εκπαιδεύσουν και να βελτιστοποιήσουν μοντέλα AI για εφαρμογές αυτόνομης οδήγησης.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να κατανοούν τις βασικές αρχές της τεχνητής νοημοσύνης και της βαθιάς μάθησης στο πλαίσιο των αυτόνομων οχημάτων.
• Να υλοποιούν τεχνικές υπολογιστικής όρασης για ανίχνευση αντικειμένων σε πραγματικό χρόνο και παρακολούθηση λωρίδας.
• Να χρησιμοποιούν την ενισχυτική μάθηση για τη λήψη αποφάσεων σε συστήματα αυτοοδηγούμενων οχημάτων.
• Να ενσωματώνουν τεχνικές σύντηξης αισθητήρων για βελτιωμένη αντίληψη και πλοήγηση.
• Να κατασκευάζουν μοντέλα βαθιάς μάθησης για την πρόβλεψη και ανάλυση σεναρίων οδήγησης.

Αυτή η ζωντανή εκπαίδευση με εκπαιδευτή στην Ελλάδα (διαδικτυακή ή δια ζώσης) απευθύνεται σε προχωρημένου επιπέδου μηχανικούς ασφαλείας και επαγγελματίες ασφάλειας αυτοκινήτων που επιθυμούν να αναπτύξουν ολοκληρωμένες στρατηγικές ασφάλειας για αυτόνομα οχήματα, συμπεριλαμβανομένης της ανάλυσης κινδύνων, των αξιολογήσεων λειτουργικής ασφάλειας και της συμμόρφωσης με διεθνή πρότυπα.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να αναγνωρίζουν και να αξιολογούν κινδύνους ασφαλείας που σχετίζονται με συστήματα αυτόνομης οδήγησης.
• Να διεξάγουν ανάλυση κινδύνων και εκτίμηση κινδύνου χρησιμοποιώντας βιομηχανικά πρότυπα.
• Να εφαρμόζουν μεθόδους επικύρωσης και επαλήθευσης ασφάλειας για συστήματα AV.
• Να εφαρμόζουν πρότυπα λειτουργικής ασφάλειας, όπως το ISO 26262 και το SOTIF.
• Να αναπτύσσουν στρατηγικές μετριασμού κινδύνου για προκλήσεις ασφάλειας των AV.

Το CANN SDK (Compute Architecture for Neural Networks) προσφέρει ισχυρά εργαλεία ανάπτυξης και βελτιστοποίησης για εφαρμογές τεχνητής νοημοσύνης σε πραγματικό χρόνο στην υπολογιστική όραση και το NLP, ιδιαίτερα στο υλικό Huawei Ascend.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (online ή δια ζώσης), απευθύνεται σε επαγγελματίες τεχνητής νοημοσύνης μεσαίου επιπέδου που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να βελτιστοποιήσουν μοντέλα όρασης και γλώσσας χρησιμοποιώντας το CANN SDK για παραγωγικές περιπτώσεις χρήσης.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να αναπτύσσουν και να βελτιστοποιούν μοντέλα υπολογιστικής όρασης (CV) και NLP χρησιμοποιώντας το CANN και το AscendCL.
• Να χρησιμοποιούν τα εργαλεία CANN για να μετατρέπουν μοντέλα και να τα ενσωματώνουν σε ζωντανά pipelines.
• Να βελτιστοποιούν την απόδοση inference για εργασίες όπως η ανίχνευση, η ταξινόμηση και η ανάλυση συναισθημάτων.
• Να κατασκευάζουν pipelines υπολογιστικής όρασης/NLP σε πραγματικό χρόνο για σενάρια ανάπτυξης στο edge ή στο cloud.

Μορφή της Εκπαίδευσης

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτικό εργαστήριο με ανάπτυξη μοντέλων και ανάλυση απόδοσης.
• Σχεδιασμός ζωντανών pipelines χρησιμοποιώντας πραγματικές περιπτώσεις χρήσης υπολογιστικής όρασης και NLP.

Επιλογές Προσαρμογής του Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή στην Ελλάδα (online ή δια ζώσης), απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εμβαθύνουν την κατανόησή τους στην υπολογιστική όραση και να εξερευνήσουν τις δυνατότητες του TensorFlow για την ανάπτυξη εξελιγμένων μοντέλων όρασης χρησιμοποιώντας το Google Colab.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Δημιουργούν και εκπαιδεύουν συνελικτικά νευρωνικά δίκτυα (CNNs) χρησιμοποιώντας το TensorFlow.
• Αξιοποιούν το Google Colab για κλιμακούμενη και αποδοτική ανάπτυξη μοντέλων στο cloud.
• Υλοποιούν τεχνικές προεπεξεργασίας εικόνας για εργασίες υπολογιστικής όρασης.
• Αναπτύσσουν μοντέλα υπολογιστικής όρασης για πραγματικές εφαρμογές.
• Χρησιμοποιούν μάθηση μεταφοράς για να βελτιώσουν την απόδοση των μοντέλων CNN.
• Οπτικοποιούν και ερμηνεύουν τα αποτελέσματα μοντέλων ταξινόμησης εικόνων.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά, στο Ελλάδα (διαδικτυακά ή σε φυσική τάξη), απευθύνεται σε μηχανικούς υπολογιστικής όρασης μεσαίου έως προχωρημένου επιπέδου, προγραμματιστές AI και επαγγελματίες IoT που επιθυμούν να υλοποιήσουν και να βελτιστοποιήσουν μοντέλα υπολογιστικής όρασης για επεξεργασία σε πραγματικό χρόνο σε συσκευές αιχμής.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήσουν τα βασικά στοιχεία της Edge AI και τις εφαρμογές της στην υπολογιστική όραση.
• Αναπτύξουν βελτιστοποιημένα μοντέλα βαθιάς μάθησης σε συσκευές αιχμής για ανάλυση εικόνας και βίντεο σε πραγματικό χρόνο.
• Χρησιμοποιήσουν πλαίσια όπως TensorFlow Lite, OpenVINO και NVIDIA Jetson SDK για την ανάπτυξη μοντέλων.
• Βελτιστοποιήσουν μοντέλα AI για απόδοση, ενεργειακή απόδοση και συμπερασμό χαμηλής καθυστέρησης.

Αυτή η εκπαίδευση με εισηγητή, σε πραγματικό χρόνο σε Ελλάδα (online ή δια ζώσης), απευθύνεται σε επαγγελματίες αρχαρίου επιπέδου που επιθυμούν να διερευνήσουν τα ηθικά διλήμματα και τα νομικά πλαίσια που αφορούν τα αυτόνομα οχήματα.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• να κατανοούν τις ηθικές προεκτάσεις της λήψης αποφάσεων βασισμένης σε τεχνητή νοημοσύνη στα αυτόνομα οχήματα.
• να αναλύουν τα παγκόσμια νομικά πλαίσια και τις πολιτικές που ρυθμίζουν τα αυτοκινούμενα αυτοκίνητα.
• να εξετάζουν την ευθύνη και τη λογοδοσία σε περίπτωση ατυχημάτων αυτόνομων οχημάτων.
• να αξιολογούν την ισορροπία μεταξύ καινοτομίας και δημόσιας ασφάλειας στους νόμους για την αυτόνομη οδήγηση.
• να συζητούν περιπτωσιολογικές μελέτες από τον πραγματικό κόσμο που περιλαμβάνουν ηθικά διλήμματα και νομικές διαμάχες.

Αυτή η εκπαίδευση που πραγματοποιείται από εκπαιδευτή, ζωντανά (διαδικτυακά ή δια ζώσης) σε Ελλάδα απευθύνεται σε προσωπικό αρχικής βαθμίδας των αρχών επιβολής του νόμου που επιθυμούν να μεταβούν από τη χειροκίνητη σκιαγράφηση προσώπων στη χρήση εργαλείων ΤΝ για την ανάπτυξη συστημάτων αναγνώρισης προσώπου.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανόηση των βασικών αρχών της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης.
• Εκμάθηση των βασικών στοιχείων της ψηφιακής επεξεργασίας εικόνας και της εφαρμογής της στην αναγνώριση προσώπου.
• Ανάπτυξη δεξιοτήτων στη χρήση εργαλείων και πλαισίων ΤΝ για τη δημιουργία μοντέλων αναγνώρισης προσώπου.
• Απόκτηση πρακτικής εμπειρίας στη δημιουργία, εκπαίδευση και δοκιμή συστημάτων αναγνώρισης προσώπου.
• Κατανόηση των ηθικών προβληματισμών και των βέλτιστων πρακτικών στη χρήση της τεχνολογίας αναγνώρισης προσώπου.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά στο Ελλάδα (online ή δια ζώσης), απευθύνεται σε ερευνητές και επαγγελματίες εργαστηρίου αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να επεξεργαστούν και να αναλύσουν εικόνες που σχετίζονται με ιστολογικούς ιστούς, αιμοσφαίρια, φύκη και άλλα βιολογικά δείγματα.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να πλοηγούνται στη διεπαφή του Fiji και να χρησιμοποιούν τις βασικές λειτουργίες του ImageJ.
• Να προεπεξεργάζονται και να βελτιώνουν επιστημονικές εικόνες για καλύτερη ανάλυση.
• Να αναλύουν ποσοτικά εικόνες, συμπεριλαμβανομένης της καταμέτρησης κυττάρων και της μέτρησης εμβαδού.
• Να αυτοματοποιούν επαναλαμβανόμενες εργασίες χρησιμοποιώντας macros και plugins.
• Να προσαρμόζουν ροές εργασίας για συγκεκριμένες ανάγκες ανάλυσης εικόνας στη βιολογική έρευνα.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανή σε Ελλάδα (διαδικτυακά ή δια ζώσης) απευθύνεται σε επαγγελματίες και ενθουσιώδεις αρχάριου επιπέδου που επιθυμούν να κατανοήσουν τις θεμελιώδεις έννοιες, τεχνολογίες και εφαρμογές των αυτόνομων οχημάτων.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τα βασικά στοιχεία και τις αρχές λειτουργίας των αυτόνομων οχημάτων.
• Διερευνούν τον ρόλο της τεχνητής νοημοσύνης, των αισθητήρων και της επεξεργασίας δεδομένων σε πραγματικό χρόνο στα συστήματα αυτο-οδήγησης.
• Αναλύουν τα διαφορετικά επίπεδα αυτονομίας οχημάτων και τις πραγματικές εφαρμογές τους.
• Εξετάζουν τις ηθικές, νομικές και κανονιστικές πτυχές της αυτόνομης κινητικότητας.
• Αποκτούν πρακτική εμπειρία με προσομοιώσεις αυτόνομων οχημάτων.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή, στο Ελλάδα (διαδικτυακά ή με φυσική παρουσία), απευθύνεται σε προχωρημένου επιπέδου ειδικούς σύντηξης αισθητήρων και μηχανικούς τεχνητής νοημοσύνης που επιθυμούν να αναπτύξουν αλγόριθμους σύντηξης πολλαπλών αισθητήρων και να βελτιστοποιήσουν την πλοήγηση σε πραγματικό χρόνο σε αυτόνομα συστήματα.

Με το πέρας αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να κατανοούν τις βασικές αρχές και τις προκλήσεις της σύντηξης δεδομένων πολλαπλών αισθητήρων.
• Να υλοποιούν αλγόριθμους σύντηξης αισθητήρων για πλοήγηση σε πραγματικό χρόνο σε αυτόνομα συστήματα.
• Να ενσωματώνουν δεδομένα από LiDAR, κάμερες και RADAR για ενίσχυση της αντίληψης.
• Να αναλύουν και να αξιολογούν την απόδοση του συστήματος σύντηξης υπό διάφορες συνθήκες.
• Να αναπτύσσουν πρακτικές λύσεις για τη μείωση του θορύβου των αισθητήρων και την ευθυγράμμιση δεδομένων.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά στην τοποθεσία Ελλάδα (online ή onsite), απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν σε Python με το OpenCV 4 για deep learning.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να προβάλλουν, να φορτώνουν και να ταξινομούν εικόνες και βίντεο χρησιμοποιώντας το OpenCV 4.
• Να υλοποιούν deep learning στο OpenCV 4 με TensorFlow και Keras.
• Να εκτελούν μοντέλα deep learning και να παράγουν ουσιαστικές αναφορές από εικόνες και βίντεο.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανή (online ή onsite) στο Ελλάδα, απευθύνεται σε μηχανικούς μεσαίου επιπέδου, επαγγελματίες της αυτοκινητοβιομηχανίας και ειδικούς IoT που επιθυμούν να κατανοήσουν τον ρόλο των αισθητήρων στα αυτοοδηγούμενα αυτοκίνητα, καλύπτοντας τεχνικές LiDAR, ραντάρ, κάμερες και σύντηξης αισθητήρων.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήσουν τους διαφορετικούς τύπους αισθητήρων που χρησιμοποιούνται στα αυτόνομα οχήματα.
• Αναλύσουν δεδομένα αισθητήρων για αντίληψη και λήψη αποφάσεων σε πραγματικό χρόνο.
• Εφαρμόσουν τεχνικές σύντηξης αισθητήρων για βελτίωση της ακρίβειας και της ασφάλειας του οχήματος.
• Βελτιστοποιήσουν την τοποθέτηση και βαθμονόμηση αισθητήρων για βελτιωμένη απόδοση αυτόνομης οδήγησης.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά σε Ελλάδα (online ή επιτόπια) απευθύνεται σε μηχανικούς δικτύων μέσου επιπέδου και προγραμματιστές IoT αυτοκινητοβιομηχανίας που επιθυμούν να κατανοήσουν και να υλοποιήσουν τεχνολογίες επικοινωνίας V2X για αυτόνομα οχήματα.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τις θεμελιώδεις έννοιες της επικοινωνίας V2X.
• Αναλύουν τα μοντέλα επικοινωνίας V2V, V2I, V2P και V2N.
• Υλοποιούν πρωτόκολλα V2X όπως τα DSRC και C-V2X.
• Αναπτύσσουν προσομοιώσεις για περιβάλλοντα συνδεδεμένων οχημάτων.
• Αντιμετωπίζουν προκλήσεις κυβερνοασφάλειας και ιδιωτικότητας σε δίκτυα V2X.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά στο Ελλάδα (διαδικτυακά ή δια ζώσης), απευθύνεται σε επαγγελματίες μεσαίου επιπέδου που επιθυμούν να χρησιμοποιήσουν το Vision Builder AI για να σχεδιάσουν, να υλοποιήσουν και να βελτιστοποιήσουν αυτοματοποιημένα συστήματα επιθεώρησης για διεργασίες SMT (Surface‑Mount Technology).

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• να εγκαθιστούν και να διαμορφώνουν αυτοματοποιημένες επιθεωρήσεις με το Vision Builder AI
• να αποκτούν και να προεπεξεργάζονται εικόνες υψηλής ποιότητας για ανάλυση
• να υλοποιούν αποφάσεις βασισμένες σε λογική για τον εντοπισμό ελαττωμάτων και την επικύρωση διεργασιών
• να παράγουν αναφορές επιθεώρησης και να βελτιστοποιούν την απόδοση του συστήματος