Fiji: Introduction to Scientific Image Processing Training Cursus

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.

Patroonovereenkomst is een techniek die wordt gebruikt om opgegeven patronen in een afbeelding te vinden. Het kan worden gebruikt om het bestaan van specifieke kenmerken in een vastgelegde afbeelding te bepalen, bijvoorbeeld het verwachte label op een defect product in een fabriekslijn of de opgegeven afmetingen van een component. Het verschilt van " Pattern Recognition " (die algemene patronen herkent op basis van grotere verzamelingen van gerelateerde monsters) omdat het specifiek dicteert waarnaar we op zoek zijn en ons dan vertelt of het verwachte patroon bestaat of niet.

Indeling van de cursus

• Deze cursus introduceert de benaderingen, technologieën en algoritmen die worden gebruikt op het gebied van patroonafstemming zoals dit 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

Deze cursus gebruikt een praktische benadering van het lesgeven in OptaPlanner . Het biedt deelnemers de tools die nodig zijn om de basisfuncties van deze tool uit te voeren.

Dit is een klassikale trainingssessie in een presentatie- en vraag & antwoord-formaat

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op technische personen die een RPA-systeem met intelligentere mogelijkheden willen opzetten of uitbreiden.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer UiPath IPA.
• Schakel robots in om andere robots te beheren.
• Pas computervisie toe om schermobjecten nauwkeurig te lokaliseren.
• Schakel robots in die taalpatronen kunnen detecteren en sentimentanalyses kunnen uitvoeren op ongestructureerde inhoud.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op softwaretesters die een AI-gestuurde softwaretestomgeving willen hebben.

Aan het einde van deze training kunnen deelnemers:

• Automatiseer het genereren en parametriseren van unit-tests met AI.
• Pas het leren van machine learning toe in een praktijkvoorbeeld.
• Automatiseer het genereren en onderhouden van API-tests met AI.
• Gebruik machine learning-methoden om de uitvoering van Selenium tests zelf te herstellen.

Dit is een 5-daagse inleiding tot Data Science en AI.

De cursus wordt geleverd met voorbeelden en oefeningen met Python

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op marketeers die AI willen gebruiken om digitale marketingstrategieën te verbeteren door middel van waardevolle klantinzichten.

Aan het einde van deze training kunnen deelnemers:

• Maak gebruik van AI-software om de manier te verbeteren waarop merken verbinding maken met gebruikers.
• Gebruik chatbots om de gebruikerservaring te optimaliseren.
• Verhoog de productiviteit en omzet door de automatisering van taken.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op datawetenschappers die IBM Cloud Pak willen gebruiken om gegevens voor te bereiden voor gebruik in AI-oplossingen.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer Cloud Pak voor Data.
• Verenig de verzameling, organisatie en analyse van gegevens.
• Integreer Cloud Pak for Data met een verscheidenheid aan services om veelvoorkomende zakelijke problemen op te lossen.
• Implementeer workflows voor samenwerking met teamleden aan de ontwikkeling van een AI-oplossing.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op ingenieurs die robots willen programmeren en creëren via eenvoudige AI-methoden.

Aan het einde van deze training kunnen deelnemers:

• Implementeer filters (Kalman en deeltjes) zodat de robot bewegende objecten in zijn omgeving kan lokaliseren.
• Implementeer zoekalgoritmen en bewegingsplanning.
• Implementeer PID-besturingen om de beweging van een robot binnen een omgeving te regelen.
• Implementeer SLAM-algoritmen om een robot in staat te stellen een onbekende omgeving in kaart te brengen.

Deze door een instructeur geleide, live training (ter plaatse of op afstand) is gericht op managers en bedrijfsleiders die meer willen leren over de grondbeginselen van kunstmatige intelligentie en AI-projecten voor hun organisatie willen beheren.

Aan het einde van deze training zullen de deelnemers AI op technisch niveau kunnen begrijpen en een strategie kunnen bepalen met behulp van de gegevens en middelen van hun organisatie om AI-projecten succesvol te beheren.

In deze door een instructeur geleide, live training (op locatie>) leren deelnemers de verschillende technologieën, raamwerken en technieken voor het programmeren van verschillende soorten robots die kunnen worden gebruikt op het gebied van nucleaire technologie en milieusystemen.

De 4-weekse cursus wordt 5 dagen per week gegeven. Elke dag duurt 4 uur en bestaat uit lezingen, discussies en praktische robotontwikkeling in een live labomgeving. Deelnemers zullen verschillende real-world projecten voltooien die van toepassing zijn op hun werk om hun verworven kennis in de praktijk te brengen.

De doelhardware voor deze cursus wordt in 3D gesimuleerd via simulatiesoftware. De code wordt vervolgens op fysieke hardware (Arduino of andere) geladen voor definitieve implementatietests. Voor het programmeren van de robots zal gebruik worden gemaakt van het ROS (Robot Operating System) open-source framework, C++ en Python.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de belangrijkste concepten die worden gebruikt in robottechnologieën.
• Begrijp en beheer de interactie tussen software en hardware in een robotsysteem.
• Begrijp en implementeer de softwarecomponenten die ten grondslag liggen aan robotica.
• Bouw en bedien een gesimuleerde mechanische robot die via stem mensen kan zien, voelen, verwerken, navigeren en ermee kan communiceren.
• Begrijp de noodzakelijke elementen van kunstmatige intelligentie (machine learning, deep learning, enz.) die van toepassing zijn op het bouwen van een slimme robot.
• Implementeer filters (Kalman en Particle) zodat de robot bewegende objecten in zijn omgeving kan lokaliseren.
• Implementeer zoekalgoritmen en bewegingsplanning.
• Implementeer PID-besturingen om de beweging van een robot binnen een omgeving te regelen.
• Implementeer SLAM-algoritmen om een robot in staat te stellen een onbekende omgeving in kaart te brengen.
• Test een robot en los problemen op in realistische scenario's.

In deze door een instructeur geleide, live training (op locatie>) leren deelnemers de verschillende technologieën, raamwerken en technieken voor het programmeren van verschillende soorten robots die kunnen worden gebruikt op het gebied van nucleaire technologie en milieusystemen.

De 6-weekse cursus wordt 5 dagen per week gegeven. Elke dag duurt 4 uur en bestaat uit lezingen, discussies en praktische robotontwikkeling in een live labomgeving. Deelnemers zullen verschillende real-world projecten voltooien die van toepassing zijn op hun werk om hun verworven kennis in de praktijk te brengen.

De doelhardware voor deze cursus wordt in 3D gesimuleerd via simulatiesoftware. Voor het programmeren van de robots zal gebruik worden gemaakt van het ROS (Robot Operating System) open-source framework, C++ en Python.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de belangrijkste concepten die worden gebruikt in robottechnologieën.
• Begrijp en beheer de interactie tussen software en hardware in een robotsysteem.
• Begrijp en implementeer de softwarecomponenten die ten grondslag liggen aan robotica.
• Bouw en bedien een gesimuleerde mechanische robot die via stem mensen kan zien, voelen, verwerken, navigeren en ermee kan communiceren.
• Begrijp de noodzakelijke elementen van kunstmatige intelligentie (machine learning, deep learning, enz.) die van toepassing zijn op het bouwen van een slimme robot.
• Implementeer filters (Kalman en Particle) zodat de robot bewegende objecten in zijn omgeving kan lokaliseren.
• Implementeer zoekalgoritmen en bewegingsplanning.
• Implementeer PID-besturingen om de beweging van een robot binnen een omgeving te regelen.
• Implementeer SLAM-algoritmen om een robot in staat te stellen een onbekende omgeving in kaart te brengen.
• Vergroot het vermogen van een robot om complexe taken uit te voeren via Deep Learning.
• Test een robot en los problemen op in realistische scenario's.