Deze live training onder leiding van een instructeur in Nederland (online of op locatie) is bedoeld voor systeembeheerders en IT-professionals op beginnersniveau die CUDA-omgevingen willen installeren, configureren, beheren en problemen willen oplossen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de architectuur, componenten en mogelijkheden van CUDA.
• Installeer en configureer CUDA-omgevingen.
• Beheer en optimaliseer CUDA-bronnen.
• Veelvoorkomende CUDA-problemen opsporen en oplossen.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ontwikkelaars die CUDA willen gebruiken om Python applicaties te bouwen die parallel draaien op NVIDIA GPU's.

Aan het einde van deze training kunnen deelnemers:

• Gebruik de Numba-compiler om applicaties die op NVIDIA GPU's draaien te versnellen.
• Creëer, compileer en start aangepaste CUDA-kernels.
• Beheer GPU-geheugen.
• Converteer een CPU-gebaseerde applicatie naar een GPU-versnelde applicatie.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor wetshandhavers op beginnersniveau die willen overstappen van handmatige gezichtsschetsen naar het gebruik van AI-tools voor het ontwikkelen van gezichtsherkenningssystemen.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de basisprincipes van kunstmatige intelligentie en Machine Learning.
• Leer de basisprincipes van digitale beeldverwerking en de toepassing ervan in gezichtsherkenning.
• Ontwikkel vaardigheden in het gebruik van AI-tools en -frameworks om gezichtsherkenningsmodellen te maken.
• Doe praktijkervaring op in het maken, trainen en testen van gezichtsherkenningssystemen.
• Begrijp ethische overwegingen en best practices bij het gebruik van gezichtsherkenningstechnologie.

OpenFace is Python en Torch gebaseerde open-source, real-time gezichtsherkenningssoftware gebaseerd op Google's FaceNet-onderzoek.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de componenten van OpenFace kunnen gebruiken om een voorbeeldtoepassing voor gezichtsherkenning te maken en te implementeren.

Aan het einde van deze training zijn de deelnemers in staat om:

• Werk met de componenten van OpenFace, waaronder dlib, OpenVC, Torch en nn4 om gezichtsdetectie, uitlijning en transformatie te implementeren
• Pas OpenFace toe op real-world toepassingen zoals bewaking, identiteitsverificatie, virtual reality, gaming en het identificeren van terugkerende klanten, enz.

Audiëntie

• Ontwikkelaars
• Datawetenschappers

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Deze live training onder leiding van een instructeur introduceert de software, hardware en het stapsgewijze proces die nodig zijn om een gezichtsherkenningssysteem vanaf nul op te bouwen. Gezichtsherkenning wordt ook wel Face Recognition genoemd.

De hardware die in dit lab wordt gebruikt, omvat Rasberry Pi, een cameramodule, servo's (optioneel), enz. Deelnemers zijn zelf verantwoordelijk voor de aanschaf van deze componenten. De gebruikte software omvat OpenCV, Linux, Python, enz.

Aan het einde van deze training zijn de deelnemers in staat om:

• Installeer Linux, OpenCV en andere softwarehulpprogramma's en bibliotheken op een Rasberry Pi.
• Configureer OpenCV om gezichtsopnamen vast te leggen en te detecteren.
• Begrijp de verschillende opties voor het verpakken van een Rasberry Pi-systeem voor gebruik in real-world omgevingen.
• Pas het systeem aan voor een verscheidenheid aan gebruiksscenario's, waaronder bewaking, identiteitsverificatie, enz.

Vorm van de cursus

• Deels lezing, deels discussie, oefeningen en zware hands-on oefening

Notitie

• Andere hardware- en software-opties zijn onder meer: Arduino, OpenFace, Windows, enz. Als u een van deze wilt gebruiken, neem dan contact met ons op om dit te regelen.

Fiji is een open-source beeldverwerkingspakket dat ImageJ (een beeldverwerkingsprogramma voor wetenschappelijke multidimensionale beelden) en een aantal plug-ins voor wetenschappelijke beeldanalyse bundelt.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze de Fiji-distributie en het onderliggende ImageJ-programma kunnen gebruiken om een toepassing voor beeldanalyse te maken.

Aan het einde van deze training zijn de deelnemers in staat om:

• Gebruik de geavanceerde programmeerfuncties en softwarecomponenten van Fiji om ImageJ uit te breiden
• Naai grote 3D-afbeeldingen van overlappende tegels
• Een Fiji-installatie automatisch bijwerken bij het opstarten met behulp van het geïntegreerde updatesysteem
• Kies uit een brede selectie scripttalen om aangepaste oplossingen voor beeldanalyse te bouwen
• Gebruik de krachtige bibliotheken van Fiji, zoals ImgLib, op grote bioimage-datasets
• Implementeer hun applicatie en werk samen met andere wetenschappers aan soortgelijke projecten

Vorm van de cursus

• Interactieve lezing en discussie.
• Veel oefeningen en oefenen.
• Hands-on implementatie in een live-lab omgeving.

Opties voor het aanpassen van cursussen

• Om een training op maat voor deze cursus aan te vragen, neem dan contact met ons op om een afspraak te maken.

Marvin is een uitbreidbaar, platformonafhankelijk, open-source raamwerk voor beeld- en videoverwerking dat is ontwikkeld in Java . Ontwikkelaars kunnen Marvin gebruiken om afbeeldingen te manipuleren, functies uit afbeeldingen te extraheren voor classificatietaken, algoritmen cijfers te genereren, gegevensbestanden van videobestanden te verwerken en unit-testautomatisering in te stellen.

Sommige video-applicaties van Marvin omvatten filtering, augmented reality, object-tracking en bewegingsdetectie.

In dit door een instructeur geleide, leren de cursisten de principes van beeld- en video-analyse en gebruiken ze het Marvin Framework en de beeldverwerkingsalgoritmen om hun eigen applicatie te bouwen.

Indeling van de cursus

• De basisprincipes van beeldanalyse, videoanalyse en het Marvin Framework worden voor het eerst geïntroduceerd. Studenten krijgen projectmatige taken waarmee ze de geleerde concepten kunnen oefenen. Tegen het einde van de les hebben de deelnemers hun eigen applicatie ontwikkeld met behulp van het Marvin Framework en bibliotheken.

PaddlePaddle (PArallel Distributed Deep LEarning) is een schaalbaar platform voor diep leren, ontwikkeld door Baidu In deze live training met instructeur leren deelnemers PaddlePaddle te gebruiken om diepgaand leren in hun product- en servicetoepassingen mogelijk te maken Aan het einde van deze training kunnen deelnemers: PaddlePaddle instellen en configureren Stel een Convolutional Neural Network (CNN) in voor beeldherkenning en objectdetectie Een terugkerend neuraal netwerk (RNN) instellen voor sentimentanalyse Stel diepgaand leren op aanbevelingssystemen in om gebruikers te helpen antwoorden te vinden Voorspellen van klikfrequenties (CTR), grootschalige opnamesets classificeren, optische tekenherkenning (OCR) uitvoeren, zoekopdrachten rangschikken, computervirussen detecteren en een aanbevelingssysteem implementeren Publiek ontwikkelaars Datawetenschappers Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen .

Pattern Matching is een techniek die wordt gebruikt om gespecificeerde patronen in een afbeelding te lokaliseren. Het kan worden gebruikt om het bestaan van gespecificeerde kenmerken in een vastgelegd beeld te bepalen, bijvoorbeeld het verwachte label op een defect product in een fabriekslijn of de gespecificeerde afmetingen van een onderdeel. Het verschilt van "Pattern Recognition" (dat algemene patronen herkent op basis van grotere verzamelingen van verwante monsters) in die zin dat het specifiek dicteert waarnaar we op zoek zijn en ons vervolgens vertelt of het verwachte patroon bestaat of niet.

Vorm van de cursus

• Deze cursus introduceert de benaderingen, technologieën en algoritmen die worden gebruikt op het gebied van patroonherkenning zoals dat van toepassing is op Machine Vision.

Scilab is een goed ontwikkelde, gratis en open-source taal op hoog niveau voor wetenschappelijke gegevensmanipulatie. De centrale datastructuur wordt gebruikt voor statistieken, grafische afbeeldingen en animaties, simulatie, signaalverwerking, fysica, optimalisatie en meer, en is de matrix, die vele soorten problemen vereenvoudigt in vergelijking met alternatieven zoals FORTRAN en C-derivaten. Het is compatibel met talen zoals C, Java en Python , waardoor het geschikt is als aanvulling op bestaande systemen.

In deze door instructeurs geleide training leren deelnemers de voordelen van Scilab vergelijking met alternatieven zoals Matlab, de basisprincipes van de Scilab syntaxis en enkele geavanceerde functies, en een interface met andere veelgebruikte talen, afhankelijk van de vraag. De cursus wordt afgesloten met een kort project gericht op beeldverwerking.

Aan het einde van deze training hebben de deelnemers inzicht in de basisfuncties en enkele geavanceerde functies van Scilab en beschikken ze over de middelen om hun kennis te blijven uitbreiden.

Publiek

• Gegevenswetenschappers en ingenieurs, vooral met interesse in beeldverwerking en gezichtsherkenning

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en intensieve praktijkoefening, met een eindproject

OpenCV (Open Source Computer Vision Bibliotheek: http://opencv.org) is een open-source BSD-gelicentieerde bibliotheek die enkele honderden computervisie-algoritmen bevat.

Audiëntie

Deze cursus is bedoeld voor ingenieurs en architecten die OpenCV willen gebruiken voor computervisieprojecten

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor software-engineers die willen programmeren in Python met OpenCV 4 voor deep learning.

Aan het einde van deze training zijn de deelnemers in staat om:

• Bekijk, laad en classificeer afbeeldingen en video's met behulp van OpenCV 4.
• Implementeer deep learning in OpenCV, 4, met TensorFlow en Keras.
• Voer deep learning-modellen uit en genereer impactvolle rapporten op basis van afbeeldingen en video's.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor datawetenschappers van gemiddeld tot gevorderd niveau, machine learning-ingenieurs, deep learning-onderzoekers en computervisie-experts die hun kennis en vaardigheden op het gebied van deep learning willen uitbreiden voor het genereren van tekst-naar-beeld.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp geavanceerde deep learning-architecturen en -technieken voor het genereren van tekst-naar-beeld.
• Implementeer complexe modellen en optimalisaties voor hoogwaardige beeldsynthese.
• Optimaliseer prestaties en schaalbaarheid voor grote datasets en complexe modellen.
• Stem hyperparameters af voor betere modelprestaties en generalisatie.
• Integreer Stable Diffusion met andere frameworks en tools voor deep learning