Computer Vision with Google Colab and TensorFlow Training Course

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

Αυτή η εκπαιδευτική, ζωντανή εκπαίδευση σε Ελλάδα (online ή γενικά) προσβλέπει σε νέους επιστήμονες δεδομένων και IT φορείς που επιθυμούν να μάθουν τα βασικά της επιστήμης δεδομένων χρησιμοποιώντας Google Colab.

• Εγκατάσταση και περίπτωση του Google Colab.
• Γραφή και εκτέλεση βασικών κώδικα Python.
• Εισαγωγή και χειρισμός συνολών δεδομένων.
• Δημιουργία εικονικοποιήσεων χρησιμοποιώντας βιβλιοθέκες Python.

Με το τέλος αυτής της εκπαιδεύσεως, οι συμμετέχοντες θα μπορούν να:

Αυτό το πρόγραμμα εκπαίδευσης, που διεξάγεται ύποπτως (online ή σε υπερθέατρο) στο Ελλάδα, στόχος του είναι νέοι επισcientists δεδομένων που θέλουν να μάθουν πώς να δημιουργούν σημαντικές και όψιμα επιμυστικές παραγωγικές τεχνικές.

• Να εγκαταστήσουν και να χρησιμοποιήσουν Google Colab για παραγωγικές τεχνικές.
• Να δημιουργήσουν διάφορους τύπους γραφημάτων με χρήση Matplotlib.
• Να χρησιμοποιήσουν Seaborn για προχωρημένες τεχνικές παραγωγικότητας.
• Να προσαρμόσουν γραφήματα για καλύτερη επίδειξη και αρτικότητα.
• Να ερμηνεύουν και να παρουσιάζουν δεδομένα αποτελεσματικά χρησιμοποιώντας όψιμα εργαλεία.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακά ή επιτόπου) απευθύνεται σε αρχάριους αρχάριους σε προσωπικό επιβολής του νόμου που επιθυμούν να μεταβούν από το χειροκίνητο σκίτσο του προσώπου στη χρήση εργαλείων AI για την ανάπτυξη συστημάτων αναγνώρισης προσώπου.

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

• Κατανοήστε τις βασικές αρχές της Τεχνητής Νοημοσύνης και Machine Learning.
• Μάθετε τα βασικά της ψηφιακής επεξεργασίας εικόνας και την εφαρμογή της στην αναγνώριση προσώπου.
• Αναπτύξτε δεξιότητες στη χρήση εργαλείων και πλαισίων AI για τη δημιουργία μοντέλων αναγνώρισης προσώπου.
• Αποκτήστε πρακτική εμπειρία στη δημιουργία, εκπαίδευση και δοκιμή συστημάτων αναγνώρισης προσώπου.
• Κατανοήστε τους ηθικούς παράγοντες και τις βέλτιστες πρακτικές στη χρήση της τεχνολογίας αναγνώρισης προσώπου.

Τα Fiji είναι ένα πακέτο επεξεργασίας εικόνας ανοιχτού κώδικα που συνδυάζει το ImageJ (πρόγραμμα επεξεργασίας εικόνας για επιστημονικές πολυδιάστατες εικόνες) και μια σειρά από πρόσθετα για επιστημονική ανάλυση εικόνας.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τη διανομή των Φίτζι και το υποκείμενο πρόγραμμα ImageJ για να δημιουργήσουν μια εφαρμογή ανάλυσης εικόνας.

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

• Χρησιμοποιήστε τις προηγμένες δυνατότητες προγραμματισμού και τα στοιχεία λογισμικού των Φίτζι για να επεκτείνετε το ImageJ
• Ράψτε μεγάλες τρισδιάστατες εικόνες από επικαλυπτόμενα πλακίδια
• Ενημερώστε αυτόματα μια εγκατάσταση των Φίτζι κατά την εκκίνηση χρησιμοποιώντας το ενσωματωμένο σύστημα ενημέρωσης
• Επιλέξτε από μια ευρεία επιλογή γλωσσών δέσμης ενεργειών για να δημιουργήσετε προσαρμοσμένες λύσεις ανάλυσης εικόνας
• Χρησιμοποιήστε τις ισχυρές βιβλιοθήκες των Φίτζι, όπως το ImgLib σε μεγάλα σύνολα δεδομένων βιοεικόνων
• Αναπτύξτε την εφαρμογή τους και συνεργαστείτε με άλλους επιστήμονες σε παρόμοια έργα

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πολλές ασκήσεις και εξάσκηση.
• Πρακτική εφαρμογή σε περιβάλλον ζωντανού εργαστηρίου.

Επιλογές προσαρμογής μαθήματος

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

Αυτή η ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου) από εκπαιδευτές απευθύνεται σε αρχάριους έως μεσαίου επιπέδου ερευνητές και επαγγελματίες εργαστηρίου που επιθυμούν να επεξεργαστούν και να αναλύσουν εικόνες που σχετίζονται με ιστολογικούς ιστούς, κύτταρα αίματος, φύκια και άλλα βιολογικά δείγματα.

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

• Περιηγηθείτε στη διεπαφή των Φίτζι και χρησιμοποιήστε τις βασικές λειτουργίες του ImageJ.
• Προεπεξεργασία και ενίσχυση επιστημονικών εικόνων για καλύτερη ανάλυση.
• Αναλύστε τις εικόνες ποσοτικά, συμπεριλαμβανομένης της μέτρησης κελιών και της μέτρησης της περιοχής.
• Αυτοματοποιήστε επαναλαμβανόμενες εργασίες χρησιμοποιώντας μακροεντολές και πρόσθετα.
• Προσαρμόστε τις ροές εργασίας για συγκεκριμένες ανάγκες ανάλυσης εικόνας στη βιολογική έρευνα.

Με το τέλος αυτής της εκπαιδεύσεις, οι συμμετέχοντες θα μπορούν να:

Αυτή η εκπαιδευτική διάλεξη σε ύφοστους (online ή offline) είναι προσανατολισμένη σε μεσαίου επιπέδου ειδικούς στον machine learning και αναπτυξιαλόγους που θέλουν να εφαρμόσουν ταλαντημένα αλγόριθμους μηχανικού μάθησης χρησιμοποιώντας το περιβάλλον Google Colab.

• Να εγκαταστήσουν και να διαπλέξουν το Google Colab για προ젝τά μηχανικού μάθησης.
• Να καταλάβουν και να εφαρμόσουν διάφορους αλγόριθμους μηχανικού μάθησης.
• Να χρησιμοποιήσουν βιβλιοθήκες όπως το Scikit-learn για ανάλυση και πρόβλεψη δεδομένων.
• Να εφαρμόσουν μοντέλα για τον αποδεκτική και μη δεξική μάθηση.
• Να προσβλέψουν και να εκτιμήσουν τα μοντέλα μηχανικού μάθησης αποτελεσματικά.

OpenCV (Open Source Computer Vision Library: http://opencv.org) είναι μια βιβλιοθήκη ανοιχτού κώδικα με άδεια χρήσης BSD που περιλαμβάνει αρκετές εκατοντάδες αλγόριθμους όρασης υπολογιστή.

Ακροατήριο

Αυτό το μάθημα απευθύνεται σε μηχανικούς και αρχιτέκτονες που επιθυμούν να χρησιμοποιήσουν το OpenCV για έργα όρασης υπολογιστών

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς λογισμικού που επιθυμούν να προγραμματίσουν στο Python με OpenCV 4 για βαθιά μάθηση.

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

• Προβολή, φόρτωση και ταξινόμηση εικόνων και βίντεο χρησιμοποιώντας το OpenCV 4.
• Εφαρμόστε τη βαθιά μάθηση στο OpenCV 4 με τα TensorFlow και Keras.
• Εκτελέστε μοντέλα βαθιάς εκμάθησης και δημιουργήστε εντυπωσιακές αναφορές από εικόνες και βίντεο.

Το OpenFace είναι Python και Torch λογισμικό αναγνώρισης προσώπου ανοιχτού κώδικα σε πραγματικό χρόνο που βασίζεται στην έρευνα FaceNet της Google.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν τα στοιχεία του OpenFace για να δημιουργήσουν και να αναπτύξουν ένα δείγμα εφαρμογής αναγνώρισης προσώπου.

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

• Εργαστείτε με τα στοιχεία του OpenFace, συμπεριλαμβανομένων των dlib, OpenVC, Torch και nn4 για την εφαρμογή ανίχνευσης προσώπου, ευθυγράμμισης και μετασχηματισμού
• Εφαρμόστε το OpenFace σε εφαρμογές πραγματικού κόσμου, όπως παρακολούθηση, επαλήθευση ταυτότητας, εικονική πραγματικότητα, παιχνίδια και αναγνώριση επαναλαμβανόμενων πελατών κ.λπ.

Ακροατήριο

• προγραμματιστές
• Επιστήμονες δεδομένων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Pattern Matching είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό καθορισμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης καθορισμένων χαρακτηριστικών σε μια καταγεγραμμένη εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια εργοστασιακή γραμμή ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Διαφέρει από το "Pattern Recognition" (το οποίο αναγνωρίζει γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι υπαγορεύει συγκεκριμένα αυτό που ψάχνουμε και, στη συνέχεια, μας λέει εάν το αναμενόμενο μοτίβο υπάρχει ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στον τομέα της αντιστοίχισης προτύπων όπως ισχύει για το Machine Vision.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

Αυτή η εκπαιδευτική διάλεξη (online ή σε υπόθεση) είναι προσανατολισμένη σε νέους αναπτυγχανωτές και αναλυτές δεδομένων που θέλουν να μάθουν τα βασικά της γλώσσας προγραμματισμού Python χρησιμοποιώντας το Google Colab.

• Να καταλάβουν τα βασικά στοιχεία της γλώσσας προγραμματισμού Python.
• Να εφαρμόσουν κώδικα Python σε περιβάλλον Google Colab.
• Να χρησιμοποιήσουν δομές ελέγχου για τη διαχείριση της ροής ενός προγράμματος Python.
• Να δημιουργούν συναρτήσεις για την οργάνωση και ανακαταχώρηση του κώδικα με αποτελεσματικό τρόπο.
• Να εξερευνήσουν και να χρησιμοποιήσουν βασικές βιβλιοθήκες για το προγραμματισμό Python.

Αυτή η ζωντανή εκπαίδευση καθοδηγούμενη από εκπαιδευτές εισάγει το λογισμικό, το υλικό και τη διαδικασία βήμα προς βήμα που απαιτούνται για την κατασκευή ενός συστήματος αναγνώρισης προσώπου από την αρχή. Η αναγνώριση προσώπου είναι επίσης γνωστή ως Face Recognition.

Το υλικό που χρησιμοποιείται σε αυτό το εργαστήριο περιλαμβάνει Rasberry Pi, μια μονάδα κάμερας, σερβομηχανισμούς (προαιρετικά) κ.λπ. Οι συμμετέχοντες είναι υπεύθυνοι για την αγορά αυτών των εξαρτημάτων οι ίδιοι. Το λογισμικό που χρησιμοποιείται περιλαμβάνει τα OpenCV, Linux, Python κ.λπ.

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

• Εγκαταστήστε τα Linux, OpenCV και άλλα βοηθητικά προγράμματα λογισμικού και βιβλιοθήκες σε ένα Rasberry Pi.
• Διαμόρφωση OpenCV για λήψη και ανίχνευση εικόνων προσώπου.
• Κατανοήστε τις διάφορες επιλογές για τη συσκευασία ενός συστήματος Rasberry Pi για χρήση σε περιβάλλοντα πραγματικού κόσμου.
• Προσαρμόστε το σύστημα για ποικίλες περιπτώσεις χρήσης, συμπεριλαμβανομένης της επιτήρησης, της επαλήθευσης ταυτότητας κ.λπ.

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Σημείωμα

• Άλλες επιλογές υλικού και λογισμικού περιλαμβάνουν: Arduino, OpenFace, Windows, κ.λπ. Εάν θέλετε να χρησιμοποιήσετε κάποιο από αυτά, επικοινωνήστε μαζί μας για να κανονίσουμε.

Αυτή η εκπαιδευτική διαμορφωμένη εκπαίδευση σε Ελλάδα (διαδικτύου ή επί τόπου) προσβάλλει επαγγελματίες μεταξύ κλίμακας οι οποίοι θέλουν να χρησιμοποιήσουν το Vision Builder AI για να σχεδιάσουν, εφαρμόσουν και βελτιώσουν αυτοματοποιημένα συστήματα ελέγχου για διαδικασίες SMT (Surface-Mount Technology).

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορέσουν να:

• Εγκαταστήσουν και ρυθμίσουν αυτοματοποιημένους ελέγχους χρησιμοποιώντας το Vision Builder AI.
• Αποκτήσουν και προεπεξεργάσουν υψηλότυπες εικόνες για ανάλυση.
• Εφαρμόσουν λογικές αποφάσεις για την εντοπιση παραδοχών και τη διαβεβαίωση της διαδικασίας.
• Δημιουργήσουν εκθέσεις ελέγχου και βελτιώσουν την απόδοση του συστήματος.