Szkolenie: Python - wizja komputerowa
Szkolenie Python wizja komputerowa przygotowuje do praktycznego wykorzystania narzędzi i technik analizy obrazów, segmentacji, rozpoznawania obiektów oraz klasyfikacji z użyciem bibliotek Python, uczenia maszynowego i głębokiego uczenia
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:5 dni (40h)
Kod kursu:PYTHON/CV
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
4750 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
Zdalne - tryb weekendowyTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
Zdalne - tryb wieczorowyTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
ZdalnePython - wizja komputerowa
Cele szkolenia
Szkolenie przygotowuje do samodzielnego przetwarzania i analizy obrazów cyfrowych z wykorzystaniem narzędzi Python
Szkolenie uczy stosowania technik segmentacji, rozpoznawania oraz klasyfikacji obrazów w praktycznych projektach
Szkolenie rozwija umiejętność implementacji tradycyjnych i głębokich modeli uczenia maszynowego do analizy danych wizualnych
Szkolenie pokazuje, jak wykorzystywać popularne biblioteki do realizacji zadań wizji komputerowej w różnych branżach
Dla kogo?
Specjalistów data science i uczenia maszynowego z podstawową znajomością Pythona, chcących rozwijać kompetencje w analizie obrazów
Inżynierów i programistów realizujących projekty z zakresu przetwarzania obrazów lub planujących wejście w tę dziedzinę
Osób rozpoczynających karierę w wizji komputerowej, posiadających podstawową wiedzę z uczenia maszynowego i matematyki
Efekty kształcenia
Uczestnik analizuje i przetwarza obrazy cyfrowe z użyciem narzędzi Python
Uczestnik projektuje rozwiązania segmentacji i klasyfikacji obrazów
Uczestnik wdraża tradycyjne i głębokie modele uczenia maszynowego do analizy obrazów
Uczestnik wykorzystuje biblioteki Python do realizacji zadań wizji komputerowej
Uczestnik ocenia jakość i efektywność zastosowanych metod analizy obrazów
Uczestnik rozpoznaje i stosuje techniki ekstrakcji cech oraz segmentacji w praktyce
Wymagania
Od uczestników wymagana jest umiejętność programowania w języku Python pozwalająca na pisanie nieskompliwanego kodu i praca z zewnętrznymi bibliotekami
Ogólna wiedza o klasycznych algorytmach i dobrych praktykach w uczeniu maszynowym
Podstawowa znajomość matematyki, w tym algebry i geometrii
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Wprowadzenie do wizji komputerowej i przetwarzania obrazów
Podstawowe definicje
Kluczowe zastosowania oraz zadania wizji komputerowej i przetwarzania obrazów
Podstawy obrazu cyfrowego: reprezentacja, cechy, próbkowanie i kwantyzacja, przestrzenie barw, transformacje i kompresja obrazów
Mierzenie jakości obrazów
Praca z obrazami w języku Python
Wprowadzenie do popularnych bibliotek: NumPy, OpenCV, Pillow, scikit-image, pyvips
Odczytywanie, zapisywanie, wyświetlanie i metadane obrazów
Przetwarzanie i manipulacja obrazami
Podstawowe operacje na obrazach: zmiana rozmiaru, przycinanie, obracanie, odbicie, skalowanie i przesuwanie obrazów
Ulepszanie obrazów: liniowe i nieliniowe operacje, histogram obrazu
Filtrowanie i wypełnianie obrazów
Metody częstotliwościowe w przetwarzaniu obrazów
Cechy obrazów
Wykrywanie krawędzi, linii i narożników
Geometryczne cechy obrazów
Ramka ograniczająca i otoczka wypukła
Statystyczne właściwości kształtu
Tekstura
Macierze współwystępowania
Zastosowania lokalnych cech
SIFT (Scale Invariant Feature Transform)
HOG (Histogram of Oriented Gradients)
BoF (Bag of Features)
Zadanie segmentacji w przetwarzaniu obrazów
Progowanie, progowanie adaptacyjne
Metody krawędziowe
Klasteryzacja, k-means
Segmentacja wododziałowa
Obrazy binarne i operacje morfologiczne: dylatacja, erozja, otwarcie, domknięcie, hit-or-miss
Skeletonizacja
Wykrywanie i rozpoznawanie obrazów
Dopasowywanie wzorców
Dopasowywanie cech z wykorzystaniem punktów kluczowych
Śledzenie ruchu obiektów
Klasyfikacja obrazów z wykorzystaniem tradycyjnych algorytmów uczenia maszynowego
Ekstrakcja cech dla uczenia maszynowego
Trenowanie wybranych klasyfikatorów
Wprowadzenie do uczenia głębokiego dla zadań wizji komputerowej
Różnice między klasycznym a głębokim uczeniem maszynowym w wizji komputerowej
Podstawy splotowych sieci neuronowych (CNN)
Popularne architektury CNN
Wykorzystanie wstępnie wytrenowanych modeli
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
