Deep Learning for Self Driving Cars Träningskurs

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till brottsbekämpande personal på nybörjarnivå som vill övergå från manuell ansiktsskissning till att använda AI-verktyg för att utveckla ansiktsigenkänningssystem.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i artificiell intelligens och Machine Learning.
• Lär dig grunderna i digital bildbehandling och dess tillämpning inom ansiktsigenkänning.
• Utveckla färdigheter i att använda AI-verktyg och ramverk för att skapa ansiktsigenkänningsmodeller.
• Få praktisk erfarenhet av att skapa, träna och testa ansiktsigenkänningssystem.
• Förstå etiska överväganden och bästa praxis vid användning av ansiktsigenkänningsteknik.

OpenFace är Python och Torch baserad på ansiktsigenkänningsprogramvara med öppen källkod i realtid baserad på Googles FaceNet-forskning.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder OpenFaces komponenter för att skapa och distribuera ett exempel på ansiktsigenkänningsapplikation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Arbeta med OpenFace-komponenter, inklusive dlib, OpenVC, Torch och nn4 för att implementera ansiktsigenkänning, justering och transformation
• Använd OpenFace på verkliga applikationer som övervakning, identitetsverifiering, virtuell verklighet, spel och identifiering av återkommande kunder, etc.

Publik

• Utvecklare
• Datavetare

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, liveträning introducerar mjukvaran, hårdvaran och steg-för-steg-processen som behövs för att bygga ett ansiktsigenkänningssystem från grunden. Ansiktsigenkänning är också känt som Face Recognition.

Hårdvaran som används i detta labb inkluderar Rasberry Pi, en kameramodul, servon (tillval) etc. Deltagarna ansvarar själva för att köpa in dessa komponenter. Programvaran som används inkluderar OpenCV, Linux, Python etc.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera Linux, OpenCV och andra programverktyg och bibliotek på en Rasberry Pi.
• Konfigurera OpenCV för att fånga och upptäcka ansiktsbilder.
• Förstå de olika alternativen för att förpacka ett Rasberry Pi-system för användning i verkliga miljöer.
• Anpassa systemet för en mängd olika användningsfall, inklusive övervakning, identitetsverifiering etc.

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Not

• Andra hårdvaru- och mjukvarualternativ inkluderar: Arduino, OpenFace, Windows, etc. Om du önskar använda någon av dessa, vänligen kontakta oss för att ordna.

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 plattform för djupinlärning som utvecklats av Baidu.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder PaddlePaddle för att möjliggöra djupinlärning i sina produkt- och tjänsteapplikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Ställa in och konfigurera PaddlePaddle
• Konfigurera ett CNN (Convolutional Neural Network) för bildigenkänning och objektidentifiering
• Konfigurera ett återkommande neuralt nätverk (RNN) för attitydanalys
• Konfigurera djupinlärning i rekommendationssystem för att hjälpa användare att hitta svar
• Förutsäga klickfrekvenser (CTR), klassificera storskaliga bilduppsättningar, utföra optisk teckenigenkänning (OCR), rangordna sökningar, upptäcka datavirus och implementera ett rekommendationssystem.

Publik

• Utvecklare
• Datavetare

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Pattern Matching är en teknik som används för att lokalisera angivna mönster i en bild. Den kan användas för att fastställa förekomsten av angivna egenskaper i en tagen bild, till exempel den förväntade etiketten på en defekt produkt i en fabrikslinje eller de angivna måtten på en komponent. Det skiljer sig från "Pattern Recognition" (som känner igen allmänna mönster baserat på större samlingar av relaterade prover) genom att det specifikt dikterar vad vi letar efter och sedan berättar för oss om det förväntade mönstret finns eller inte.

Kursens upplägg

• Kursen introducerar de tillvägagångssätt, tekniker och algoritmer som används inom området mönstermatchning när det gäller Machine Vision.

Scilab är ett välutvecklat, fritt högnivåspråk med öppen källkod för manipulering av vetenskapliga data. Används för statistik, grafik och animering, simulering, signalbehandling, fysik, optimering och mer, dess centrala datastruktur är 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 den lämplig för användning som ett komplement till befintliga system.

I denna instruktörsledda utbildning kommer deltagarna att lära sig fördelarna med Scilab jämfört med alternativ som Matlab, grunderna i Scilab-syntaxen samt några avancerade funktioner och gränssnitt med andra allmänt använda språk, beroende på efterfrågan. Kursen avslutas med ett kort projekt med fokus på bildbehandling.

I slutet av denna utbildning kommer deltagarna att ha ett grepp om de grundläggande funktionerna och några avancerade funktioner i Scilab, och ha resurser att fortsätta utöka sina kunskaper.

Publik

• Datavetare och ingenjörer, särskilt med intresse för bildbehandling och ansiktsigenkänning

Kursens upplägg

• En del föreläsning, en del diskussion, övningar och intensiv praktisk övning, med ett avslutande projekt

OpenCV (Open Source Computer Vision Library: http://opencv.org) är ett BSD-licensierat bibliotek med öppen källkod som innehåller flera hundra algoritmer för datorseende.

Publik

Kursen riktar sig till ingenjörer och arkitekter som vill använda OpenCV för datorseendeprojekt

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till mjukvaruingenjörer som vill programmera i Python med OpenCV 4 för djupinlärning.

I slutet av denna utbildning kommer deltagarna att kunna:

• Visa, ladda och klassificera bilder och videor med hjälp av OpenCV 4.
• Implementera djupinlärning i OpenCV, 4 med TensorFlow och Keras.
• Kör djupinlärningsmodeller och generera effektfulla rapporter från bilder och videor.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till tekniska personer som vill tillämpa djupinlärningsmodellen på bildigenkänningsapplikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Keras.
• Skapa snabbt prototyper av djupinlärningsmodeller.
• Implementera ett faltningsnätverk.
• Implementera ett återkommande nätverk.
• Kör en djupinlärningsmodell på både en CPU och GPU.

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till mjukvaruingenjörer som vill utveckla avancerade neurala nätverk och modeller för djupinlärning med hjälp av Keras och Python.

I slutet av denna utbildning kommer deltagarna att kunna:

• Tillämpa djupinlärning med övervakade eller oövervakade inlärningsmetoder.
• Utveckla, träna och implementera samtidiga neurala nätverk och återkommande neurala nätverk.
• Använd Keras och Python för att skapa djupinlärningsmodeller för att lösa problem som rör bilder, text, ljud med mera.

Caffe är en djup inlärningsram skapad med uttryck, snabbhet och modularitet i åtanke.

Denna kurs undersöker tillämpningen av Caffe som ett djupet lärande ramverk för bildigenkänning med hjälp av MNIST som ett exempel

Publik

Denna kurs är lämplig för Deep Learning forskare och ingenjörer som är intresserade av att använda Caffe som ramverk.

Efter avslutad kurs kommer deltagarna att kunna:

• förstå Caffe struktur och implementeringsmekanismer
• utföra installations- / produktionsmiljö / arkitekturuppgifter och konfiguration
• utvärdera kodkvalitet, utföra felsökning, övervakning
• implementera avancerad produktion som träningsmodeller, implementera lager och loggning