Pattern Matching Träningskurs

Fiji är ett bildbehandlingspaket med öppen källkod som paketerar ImageJ (ett bildbehandlingsprogram för vetenskapliga flerdimensionella bilder) och ett antal plugins för vetenskaplig bildanalys.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder Fiji-distributionen och dess underliggande ImageJ-program för att skapa en bildanalysapplikation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Fijis avancerade programmeringsfunktioner och programvarukomponenter för att utöka ImageJ
• Sy ihop stora 3d-bilder från överlappande brickor
• Uppdatera automatiskt en Fiji-installation vid start med hjälp av det integrerade uppdateringssystemet
• Välj från ett brett urval av skriptspråk för att skapa anpassade bildanalyslösningar
• Använd Fijis kraftfulla bibliotek, till exempel ImgLib, på stora biobildsdataset
• Distribuera deras applikation och samarbeta med andra forskare i liknande projekt

Kursens upplägg

• Interaktiv föreläsning och diskussion.
• Massor av övningar och övning.
• Praktisk implementering i en live-lab-miljö.

Alternativ för kursanpassning

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

Marvin är en utöknings bar, plattforms oberoende, öppen källkod bild och video bearbetning ramverk som utvecklats i Java.   utvecklare kan använda Marvin för att manipulera bilder, extrahera funktioner från bilder för klassificerings uppgifter, generera siffror algoritmiskt, bearbeta video fils data uppsättningar och konfigurera enhets test automatisering.

några av Marvin & #39; s video applikationer inkluderar filtrering, förstärkt verklighet, objekt spårning och rörelse detektor.

i denna instruktörsledda, levande kurs deltagare kommer att lära sig principerna för bild-och video analys och utnyttja Marvin Framework och dess bildbehandlingsalgoritmer för att konstruera sin egen ansökan.

format för kursen

• de grundläggande principerna för bild analys, video analys och Marvin Framework introduceras först. Studenterna får projektbaserade uppgifter som gör det möjligt för dem att öva på de begrepp som lärs ut. Vid slutet av klassen, kommer deltagarna har utvecklat sin egen ansökan med hjälp av Marvin ram och bibliotek.

PaddlePaddle (PArallel Distributed Deep LEarning) är en skalbar djup lärplattform utvecklad av Baidu I den här instruktörsledningen, levande träning, kommer deltagarna att lära sig hur man använder PaddlePaddle för att möjliggöra djupt lärande i sina produkt- och tjänsteprogram Vid slutet av denna utbildning kommer deltagarna att kunna: Ställ in och konfigurera PaddlePaddle Ställ in ett konvolutionellt neuralt nätverk (CNN) för bildigenkänning och objektdetektering Ställ in ett återkommande neuralt nätverk (RNN) för sentimentanalys Ställ in djupt lärande på rekommendationssystem för att hjälpa användare att hitta svar Beräkna klickfrekvens (CTR), klassificera storskaliga bildsatser, utföra optisk teckenigenkänning (OCR), rangsökningar, upptäcka datavirus och implementera ett rekommendationssystem Publik utvecklare Datavetenskapare Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Scilab är ett välutvecklat, gratis och open source-språk för vetenskaplig dataprofilering Används för statistik, grafik och animering, simulering, signalbehandling, fysik, optimering och mer, är dess centrala datastruktur matrisen, vilket förenklar många typer av problem jämfört med alternativ som FORTRAN och C-derivat Den är kompatibel med språk som C, Java och Python, vilket gör det lämpligt för användning som ett komplement till befintliga system I den här instruktionsutbildningen kommer deltagarna att lära sig fördelarna med Scilab jämfört med alternativ som Matlab, grunderna i Scilab-syntaxen samt vissa avancerade funktioner och gränssnitt med andra språk som används ofta, beroende på efterfrågan Kursen avslutas med ett kort projekt som fokuserar på bildbehandling I slutet av denna utbildning kommer deltagarna att få förståelse för de grundläggande funktionerna och några avancerade funktioner i Scilab, och ha resurser att fortsätta utöka sin kunskap Publik Datavetenskapare och ingenjörer, särskilt med intresse för bildbehandling och ansiktsigenkänning Kursens format Delföreläsning, diskussion, övningar och intensiv handson-övning, med ett slutprojekt .

Pattern Recognition är processen att klassificera indata i objekt eller klasser baserat på nyckelfunktioner. 

Denna instruktörsledda, liveutbildning (online eller på plats) ger en introduktion till området mönsterigenkänning och maskininlärning. Det berör praktiska tillämpningar inom statistik, datavetenskap, signalbehandling, datorseende, datautvinning och bioinformatik.

I slutet av denna utbildning kommer deltagarna att kunna:

• Tillämpa grundläggande statistiska metoder för mönsterigenkänning.
• Använd nyckelmodeller som neurala nätverk och kärnmetoder för dataanalys.
• Implementera avancerade tekniker för komplex problemlösning.
• Förbättra förutsägelseprecisionen genom att kombinera olika modeller.

Kursens upplägg

• Interaktiv föreläsning och diskussion.
• Massor av övningar och övning.
• Praktisk implementering i en live-labbmiljö.

Alternativ för anpassning av kurser

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.