Εκπαίδευση Computer Vision στην Αθήνα

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά, στο Αθήνα (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, ζωντανή στην Αθήνα (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.

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 υπό την καθοδήγηση εκπαιδευτή, σε ζωντανή παρουσία Αθήνα (διαδικτυακή ή σε φυσική τάξη) απευθύνεται σε μεσαίου επιπέδου προγραμματιστές τεχνητής νοημοσύνης και μηχανικούς υπολογιστικής όρασης που επιθυμούν να δημιουργήσουν ισχυρά συστήματα όρασης για εφαρμογές αυτόνομης οδήγησης.

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

• Να κατανοούν τις θεμελιώδεις έννοιες της υπολογιστικής όρασης στα αυτόνομα οχήματα.
• Να υλοποιούν αλγορίθμους για ανίχνευση αντικειμένων, ανίχνευση λωρίδων κυκλοφορίας και σημασιολογική κατάτμηση.
• Να ενσωματώνουν συστήματα όρασης με άλλα υποσυστήματα του αυτόνομου οχήματος.
• Να εφαρμόζουν τεχνικές βαθιάς μάθησης για προηγμένες εργασίες αντίληψης.
• Να αξιολογούν την απόδοση των μοντέλων υπολογιστικής όρασης σε πραγματικά σενάρια.

Αυτή η εκπαίδευση που πραγματοποιείται από εκπαιδευτή, ζωντανά (διαδικτυακά ή δια ζώσης) σε Αθήνα 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 Αθήνα (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 εισηγητή, ζωντανά στο Αθήνα (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

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανά (online ή δια ζώσης) στο Αθήνα απευθύνεται σε προγραμματιστές, ερευνητές και επιστήμονες δεδομένων μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να μάθουν πώς να υλοποιούν ανίχνευση αντικειμένων σε πραγματικό χρόνο χρησιμοποιώντας το YOLOv7.

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

• Κατανοούν τις θεμελιώδεις έννοιες της ανίχνευσης αντικειμένων.
• Εγκαθιστούν και να διαμορφώνουν το YOLOv7 για εργασίες ανίχνευσης αντικειμένων.
• Εκπαιδεύουν και να δοκιμάζουν προσαρμοσμένα μοντέλα ανίχνευσης αντικειμένων χρησιμοποιώντας το YOLOv7.
• Ενσωματώνουν το YOLOv7 με άλλα πλαίσια και εργαλεία υπολογιστικής όρασης.
• Επιλύουν συνήθη ζητήματα που σχετίζονται με την υλοποίηση του YOLOv7.

Η Υπολογιστική Όραση είναι ένα πεδίο που ασχολείται με την αυτόματη εξαγωγή, ανάλυση και κατανόηση χρήσιμων πληροφοριών από ψηφιακά μέσα. Η Python είναι μια υψηλού επιπέδου γλώσσα προγραμματισμού, γνωστή για τη σαφή σύνταξη και την αναγνωσιμότητα του κώδικα.

Σε αυτήν την εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανής διδασκαλίας, οι συμμετέχοντες θα μάθουν τις βασικές αρχές της Υπολογιστικής Όρασης, δημιουργώντας ένα σύνολο απλών εφαρμογών Υπολογιστικής Όρασης με την Python.

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

• Κατανοούν τις βασικές έννοιες της Υπολογιστικής Όρασης
• Χρησιμοποιούν την Python για την υλοποίηση εργασιών Υπολογιστικής Όρασης
• Δημιουργούν δικά τους συστήματα ανίχνευσης προσώπων, αντικειμένων και κίνησης

Κοινό

• Προγραμματιστές Python με ενδιαφέρον στην Υπολογιστική Όραση

Μορφή του μαθήματος

• Συνδυασμός διάλεξης, συζήτησης, ασκήσεων και έντονης πρακτικής εξάσκησης