Fiji: Introduction to Scientific Image Processing Training Course

Η αντιστοίχιση μοτίβων είναι μια τεχνική που χρησιμοποιείται για τον εντοπισμό συγκεκριμένων μοτίβων μέσα σε μια εικόνα. Μπορεί να χρησιμοποιηθεί για τον προσδιορισμό της ύπαρξης συγκεκριμένων χαρακτηριστικών μέσα σε μια ληφθείσα εικόνα, για παράδειγμα την αναμενόμενη ετικέτα σε ένα ελαττωματικό προϊόν σε μια γραμμή εργοστασίου ή τις καθορισμένες διαστάσεις ενός εξαρτήματος. Είναι διαφορετικό από το " Pattern Recognition " (το οποίο αναγνωρίζει τα γενικά μοτίβα που βασίζονται σε μεγαλύτερες συλλογές σχετικών δειγμάτων) στο ότι επιβάλλει συγκεκριμένα αυτό που ψάχνουμε και μας λέει εάν υπάρχει το αναμενόμενο πρότυπο ή όχι.

Μορφή του μαθήματος

• Αυτό το μάθημα εισάγει τις προσεγγίσεις, τις τεχνολογίες και τους αλγόριθμους που χρησιμοποιούνται στο πεδίο αντιστοίχισης προτύπων όπως αυτό ισχύει για το Machine Vision .

Marvin είναι ένα εκτεταμένο πλαίσιο πλατφόρμας επεξεργασίας εικόνας και βίντεο ανοιχτού κώδικα που αναπτύχθηκε στην Java . Οι προγραμματιστές μπορούν να χρησιμοποιήσουν το Marvin για να χειριστούν εικόνες, να εξάγουν λειτουργίες από εικόνες για εργασίες ταξινόμησης, να παράγουν αριθμούς αλγοριθμικά, να επεξεργάζονται σύνολα δεδομένων αρχείων βίντεο και να ρυθμίζουν αυτοματοποίηση δοκιμών μονάδων.

Ορισμένες από τις εφαρμογές βίντεο του Marvin περιλαμβάνουν το φιλτράρισμα, την επαυξημένη πραγματικότητα, την παρακολούθηση αντικειμένων και την ανίχνευση κίνησης.

Σε αυτόν τον οδηγό, οι συμμετέχοντες στο πρόγραμμα θα μάθουν τις αρχές της ανάλυσης εικόνας και βίντεο και θα χρησιμοποιήσουν το Marvin Framework και τους αλγόριθμους επεξεργασίας εικόνας για να κατασκευάσουν τη δική τους εφαρμογή.

Μορφή του μαθήματος

• Οι βασικές αρχές της ανάλυσης εικόνας, της ανάλυσης βίντεο και του πλαισίου Marvin εισάγονται για πρώτη φορά. Οι σπουδαστές λαμβάνουν καθήκοντα βάσει σχεδίου που τους επιτρέπουν να ασκούν τις έννοιες που έχουν μάθει. Μέχρι το τέλος της τάξης, οι συμμετέχοντες θα έχουν αναπτύξει τη δική τους εφαρμογή χρησιμοποιώντας το Marvin Framework και τις βιβλιοθήκες.

Scilab είναι μια καλά ανεπτυγμένη, ελεύθερη και ανοιχτής πηγής γλώσσα υψηλού επιπέδου για χειρισμό επιστημονικών δεδομένων. Χρησιμοποιείται για στατιστικές, γραφικά και κινούμενα σχέδια, προσομοίωση, επεξεργασία σήματος, φυσική, βελτιστοποίηση και πολλά άλλα. Η κεντρική δομή δεδομένων της είναι η μήτρα, απλουστεύοντας πολλούς τύπους προβλημάτων σε σύγκριση με εναλλακτικές λύσεις όπως τα παράγωγα FORTRAN και C. Είναι συμβατό με γλώσσες όπως C, Java και Python , καθιστώντας το κατάλληλο για χρήση ως συμπλήρωμα στα υπάρχοντα συστήματα.

Σε αυτή την εκπαιδευτική εκπαίδευση, οι συμμετέχοντες θα μάθουν τα πλεονεκτήματα του Scilab σε σύγκριση με εναλλακτικές λύσεις όπως το Matlab, τα βασικά της σύνταξης του Scilab καθώς και μερικές προηγμένες λειτουργίες και τη διασύνδεση με άλλες γλώσσες που χρησιμοποιούνται ευρέως ανάλογα με τη ζήτηση. Το μάθημα θα ολοκληρωθεί με ένα σύντομο έργο που εστιάζει στην επεξεργασία εικόνων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα έχουν μια κατανόηση των βασικών λειτουργιών και ορισμένων προηγμένων λειτουργιών της Scilab και θα έχουν τους πόρους για να συνεχίσουν να επεκτείνουν τις γνώσεις τους.

Κοινό

• Επιστήμονες δεδομένων και μηχανικοί, ειδικά με ενδιαφέρον για την επεξεργασία εικόνας και την αναγνώριση προσώπου

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και εντατική πρακτική πρακτική, με τελικό σχέδιο

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

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες λογισμικού μεσαίου επιπέδου που επιθυμούν να αξιοποιήσουν την τεχνητή νοημοσύνη και τη μηχανική μάθηση για να βελτιώσουν την αποτελεσματικότητα και την καινοτομία στην ανάπτυξη λογισμικού.

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

• Κατανοήστε το ρόλο της τεχνητής νοημοσύνης και της μηχανικής μάθησης στην αυτοματοποίηση των εργασιών ανάπτυξης λογισμικού.
• Εφαρμόστε εργαλεία AI για τη δημιουργία κώδικα, δοκιμών και τεκμηρίωσης.
• Εφαρμόστε τεχνικές AI για βελτιστοποίηση κώδικα, διασφάλιση ποιότητας και εντοπισμό σφαλμάτων.
• Ενσωματώστε το AI στους αγωγούς DevOps και CI/CD για βελτιωμένες στρατηγικές ανάπτυξης.
• Αντιμετωπίστε ηθικούς προβληματισμούς και προκλήσεις στη μηχανική λογισμικού επαυξημένης τεχνητής νοημοσύνης.

Πρόκειται για μια εισαγωγή 5 ημερών στη Data Science και την AI.

Το μάθημα παραδίδεται με παραδείγματα και ασκήσεις χρησιμοποιώντας Python

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες του μάρκετινγκ που επιθυμούν να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να βελτιώσουν τις στρατηγικές ψηφιακού μάρκετινγκ μέσω πολύτιμων πληροφοριών πελατών.

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

• Αξιοποιήστε το λογισμικό AI για να βελτιώσετε τον τρόπο με τον οποίο οι επωνυμίες συνδέονται με τους χρήστες.
• Χρησιμοποιήστε chatbots για να βελτιστοποιήσετε την εμπειρία χρήστη.
• Αυξήστε την παραγωγικότητα και τα έσοδα μέσω της αυτοματοποίησης των εργασιών.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε διευθυντές και ηγέτες επιχειρήσεων που επιθυμούν να μάθουν για τις βασικές αρχές της τεχνητής νοημοσύνης και να διαχειριστούν έργα τεχνητής νοημοσύνης για τον οργανισμό τους.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να κατανοήσουν την τεχνητή νοημοσύνη σε τεχνικό επίπεδο και να σχεδιάσουν στρατηγική χρησιμοποιώντας τα δεδομένα και τους πόρους του οργανισμού τους για να διαχειριστούν με επιτυχία έργα τεχνητής νοημοσύνης.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να προγραμματίσουν και να δημιουργήσουν ρομπότ μέσω βασικών μεθόδων τεχνητής νοημοσύνης.

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

• Εφαρμόστε φίλτρα (Kalman και σωματίδια) για να επιτρέψετε στο ρομπότ να εντοπίζει κινούμενα αντικείμενα στο περιβάλλον του.
• Εφαρμογή αλγορίθμων αναζήτησης και σχεδιασμού κίνησης.
• Εφαρμόστε στοιχεία ελέγχου PID για να ρυθμίσετε την κίνηση ενός ρομπότ μέσα σε ένα περιβάλλον.
• Εφαρμόστε αλγόριθμους SLAM για να επιτρέψετε σε ένα ρομπότ να χαρτογραφήσει ένα άγνωστο περιβάλλον.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες που επιθυμούν να μάθουν και να κατανοήσουν την έννοια της τεχνητής νοημοσύνης και πώς να τη χρησιμοποιούν αποτελεσματικά και υπεύθυνα.

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

Μάθετε την έννοια του Artificial Intelligence (AI). Κατανοήστε τα όρια και τους κινδύνους της τεχνητής νοημοσύνης και χρησιμοποιήστε την με υπευθυνότητα. Μάθετε πώς να χρησιμοποιείτε αποτελεσματικά την τεχνητή νοημοσύνη σε σενάρια πραγματικού κόσμου.

Σε αυτήν την υπό εκπαιδευτή, ζωντανή εκπαίδευση στο Ελλάδα (διαδικτυακό ή επιτόπου), οι συμμετέχοντες θα μάθουν τις διαφορετικές τεχνολογίες, πλαίσια και τεχνικές για τον προγραμματισμό διαφορετικών τύπων ρομπότ που θα χρησιμοποιηθούν στον τομέα της πυρηνικής τεχνολογίας και των περιβαλλοντικών συστημάτων.

Το μάθημα 6 εβδομάδων πραγματοποιείται 5 ημέρες την εβδομάδα. Κάθε μέρα διαρκεί 4 ώρες και αποτελείται από διαλέξεις, συζητήσεις και πρακτική ανάπτυξη ρομπότ σε ένα ζωντανό εργαστηριακό περιβάλλον. Οι συμμετέχοντες θα ολοκληρώσουν διάφορα έργα στον πραγματικό κόσμο που ισχύουν για την εργασία τους, προκειμένου να εξασκήσουν τις γνώσεις τους.

Το υλικό-στόχος για αυτό το μάθημα θα προσομοιωθεί σε 3D μέσω λογισμικού προσομοίωσης. Το πλαίσιο ανοιχτού κώδικα ROS (Robot Operating System), C++ και Python θα χρησιμοποιηθεί για τον προγραμματισμό των ρομπότ.

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

• Κατανοήστε τις βασικές έννοιες που χρησιμοποιούνται στις ρομποτικές τεχνολογίες.
• Κατανόηση και διαχείριση της αλληλεπίδρασης μεταξύ λογισμικού και υλικού σε ένα ρομποτικό σύστημα.
• Κατανόηση και εφαρμογή των στοιχείων λογισμικού που στηρίζουν τη ρομποτική.
• Κατασκευάστε και λειτουργήστε ένα προσομοιωμένο μηχανικό ρομπότ που μπορεί να δει, να αντιληφθεί, να επεξεργαστεί, να πλοηγηθεί και να αλληλεπιδράσει με τους ανθρώπους μέσω της φωνής.
• Κατανοήστε τα απαραίτητα στοιχεία της τεχνητής νοημοσύνης (μηχανική μάθηση, βαθιά μάθηση κ.λπ.) που ισχύουν για την κατασκευή ενός έξυπνου ρομπότ.
• Εφαρμόστε φίλτρα (Kalman και Particle) για να μπορέσει το ρομπότ να εντοπίζει κινούμενα αντικείμενα στο περιβάλλον του.
• Εφαρμογή αλγορίθμων αναζήτησης και σχεδιασμού κίνησης.
• Εφαρμόστε στοιχεία ελέγχου PID για να ρυθμίσετε την κίνηση ενός ρομπότ μέσα σε ένα περιβάλλον.
• Εφαρμόστε αλγόριθμους SLAM για να επιτρέψετε σε ένα ρομπότ να χαρτογραφήσει ένα άγνωστο περιβάλλον.
• Επεκτείνετε την ικανότητα ενός ρομπότ να εκτελεί σύνθετες εργασίες μέσω του Deep Learning.
• Δοκιμάστε και αντιμετωπίστε ένα ρομπότ σε ρεαλιστικά σενάρια.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου), οι συμμετέχοντες θα μάθουν τις διαφορετικές τεχνολογίες, πλαίσια και τεχνικές για τον προγραμματισμό διαφορετικών τύπων ρομπότ που θα χρησιμοποιηθούν στον τομέα της πυρηνικής τεχνολογίας και των περιβαλλοντικών συστημάτων.

Το μάθημα διάρκειας 4 εβδομάδων πραγματοποιείται 5 ημέρες την εβδομάδα. Κάθε μέρα διαρκεί 4 ώρες και αποτελείται από διαλέξεις, συζητήσεις και πρακτική ανάπτυξη ρομπότ σε ένα ζωντανό εργαστηριακό περιβάλλον. Οι συμμετέχοντες θα ολοκληρώσουν διάφορα έργα στον πραγματικό κόσμο που ισχύουν για την εργασία τους, προκειμένου να εξασκήσουν τις γνώσεις τους.

Το υλικό-στόχος για αυτό το μάθημα θα προσομοιωθεί σε 3D μέσω λογισμικού προσομοίωσης. Στη συνέχεια, ο κώδικας θα φορτωθεί σε φυσικό υλικό (Arduino ή άλλο) για τελική δοκιμή ανάπτυξης. Το πλαίσιο ανοιχτού κώδικα ROS (Robot Operating System), C++ και Python θα χρησιμοποιηθεί για τον προγραμματισμό των ρομπότ.

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

• Κατανοήστε τις βασικές έννοιες που χρησιμοποιούνται στις ρομποτικές τεχνολογίες.
• Κατανόηση και διαχείριση της αλληλεπίδρασης μεταξύ λογισμικού και υλικού σε ένα ρομποτικό σύστημα.
• Κατανόηση και εφαρμογή των στοιχείων λογισμικού που στηρίζουν τη ρομποτική.
• Κατασκευάστε και λειτουργήστε ένα προσομοιωμένο μηχανικό ρομπότ που μπορεί να δει, να αντιληφθεί, να επεξεργαστεί, να πλοηγηθεί και να αλληλεπιδράσει με τους ανθρώπους μέσω της φωνής.
• Κατανοήστε τα απαραίτητα στοιχεία της τεχνητής νοημοσύνης (μηχανική μάθηση, βαθιά μάθηση κ.λπ.) που ισχύουν για την κατασκευή ενός έξυπνου ρομπότ.
• Εφαρμόστε φίλτρα (Kalman και Particle) για να μπορέσει το ρομπότ να εντοπίζει κινούμενα αντικείμενα στο περιβάλλον του.
• Εφαρμογή αλγορίθμων αναζήτησης και σχεδιασμού κίνησης.
• Εφαρμόστε στοιχεία ελέγχου PID για να ρυθμίσετε την κίνηση ενός ρομπότ μέσα σε ένα περιβάλλον.
• Εφαρμόστε αλγόριθμους SLAM για να επιτρέψετε σε ένα ρομπότ να χαρτογραφήσει ένα άγνωστο περιβάλλον.
• Δοκιμάστε και αντιμετωπίστε ένα ρομπότ σε ρεαλιστικά σενάρια.

This is a classroom based training session in a presentation and Q&A format

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες πληροφορικής από αρχάριους έως μεσαίου επιπέδου που επιθυμούν να κατανοήσουν και να εφαρμόσουν το AI TRiSM στους οργανισμούς τους.

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

• Καταλάβετε τις βασικές έννοιες και τη σημασία της διαχείρισης εμπιστοσύνης, κινδύνου και ασφάλειας AI.
• Προσδιορίστε και μετριάστε τους κινδύνους που σχετίζονται με συστήματα τεχνητής νοημοσύνης.
• Εφαρμογή βέλτιστων πρακτικών ασφαλείας για AI.
• Κατανοήστε τη συμμόρφωση με τους κανονισμούς και τους ηθικούς λόγους για την τεχνητή νοημοσύνη.
• Αναπτύξτε στρατηγικές για αποτελεσματική διακυβέρνηση και διαχείριση AI.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες ψηφιακού μάρκετινγκ, δημιουργούς περιεχομένου και προγραμματιστές που επιθυμούν να κατανοήσουν τον αντίκτυπο της τεχνητής νοημοσύνης στις μηχανές αναζήτησης, να εξερευνήσουν τις δυνατότητες του Bing AI και να μάθουν για το chatbot τεχνολογίες και τις εφαρμογές τους.

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

• Κατανοήστε τις αρχές και τα οφέλη του Bing AI.
• Προσδιορίστε τις λειτουργίες που υποστηρίζονται από AI στο Bing και τις εφαρμογές τους.
• Χρησιμοποιήστε το Bing AI για να βελτιώσετε τα αποτελέσματα αναζήτησης και τις εμπειρίες των χρηστών.
• Αξιολογήστε τις δυνατότητες του AI στη βελτιστοποίηση μηχανών αναζήτησης (SEO) και στη δημιουργία περιεχομένου.
• Εξερευνήστε τις τεχνολογίες chatbot και τις εφαρμογές τους, συμπεριλαμβανομένου του Bing AI Chatbot.