Kurser

2 dages kursus 
Læring inden for et specifikt emne

Moderne Computer Vision med Deep Learning

Kontakt os på tlf. 7220 3000 eller skriv til  kurser@teknologisk.dk for at høre mere.

Ingen planlagte afholdelser.
DKK  9.500
ekskl. moms
Nr. 91431 P

Dette intensive to-dages kursus er designet til at give dig en dybdegående forståelse af de nyeste teknikker inden for computer vision ved hjælp af deep learning, samt give dig redskaberne til hurtigt at omsætte denne viden til praksis.

Lær at anvende deep learning til at klassificere billeder og genkende og spore objekter i realtid. Fra autonome køretøjer til visuel kvalitetskontrol og medicinsk diagnosticering - dette kursus vil give dig de nødvendige færdigheder og viden til at deltage i den hurtigt voksende verden af computer vision.

Deltagerprofil

Kurset henvender sig til dig der har erfaring med at programmere i Python, har en teknisk baggrund og måske tidligere har gjort bekendtskab med basal dataanalyse og machine learning. Du ønsker nu at udvide eller styrke dit skillset indenfor computer vision, så du kan komme i gang med at bruge teknikkerne i dit arbejde eller udvikle moderne computer vision applikationer. Det er ikke en forudsætning, at du tidligere har studeret machine learning eller computer vision. Kurset lægger mere vægt på at skabe en stærk, praktisk funderet basisviden og konceptuel forståelse, end på at dykke dybt ned i matematik og teori.
 
Dette kursus vil ruste dig med de nødvendige færdigheder og viden til at anvende computer vision med deep learning i en professionel kontekst og åbne døren til spændende karrieremuligheder.

Udbytte

  • Stærk praksis-baseret forståelse af moderne computer vision med deep learning
  • Evnen til at implementere convolutional neural networks til billedgenkendelse i PyTorch
  • Kendskab til YOLO-modellen og prætrænede modeller til object detection
  • Færdigheder til at arbejde med videodata og spore objekter ved hjælp af object tracking
  • Forståelse af model-assisted labeling og dets rolle i annoteringsprocessen
  • Evnen til at anvende computer vision på tværs af industrier som sundhedspleje, transport, fabrikation og detailhandel
  • Praktiske øvelser og hands-on erfaring med at implementere og bruge computer vision-algoritmer

Program

Dag 1 - Introduktion til Computer Vision med PyTorch:
9:00 Velkomst
9:15 Oplæg 1: Computer Vision med Machine Learning: Hvordan lærer maskiner at se?
10:00 Pause
10:15 Hands-on 1: Optical Character Recognition med MNIST-datasættet og PyTorch
11:15 Oplæg 2: Vigtigheden af et godt datagrundlag: 90% af arbejdet ligger i dataopsamling
12:00 Frokost
12:30 Hands-on 2: Dataopsamling, -annotering og -augmentation
13:30 Oplæg 3: Moderne MLs mange smarte tricks: Skip-connections, Dropout, LayerNorm
14:15 Pause
14:30 Hands-on 3: Implementering og træning af moderne Deep Neural Networks
15:50 Afrunding
 
Dag 2 - Object Detection og Object Tracking i realtid:
9:00 Velkomst
9:15 Oplæg 4: Fra image classification til object detection: Pre-trained modeller og YOLO-familien
10:00 Pause
10:15 Hands-on 4: Træning af YOLO-model på egne data
12:00 Frokost
12:30 Oplæg 5: Videodata og object tracking: Billeder med en tidsdimension
13:15 Pause
13:30 Hands-on 5: Object tracking i realtid med label interpolation
15:00 Oplæg 6: Perspektiver og state-of-the-art i computer vision: Visual Transformers og Multimodale modeller
15:50 Afrunding
 

Programmet består af flere oplæg fra underviseren og en række praktiske øvelser udført gennem udleverede Jupyter Notebooks kørt gennem Google Colab, som deltagerne kører igennem under underviserens vejledning.

29211
Underviser

Simon Aagaard Enni

Simon er en passioneret og erfaren underviser med en baggrund som Datalog og en ph.d. i Machine Learning fra Aarhus Universitet. Som konsulent hos Teknologisk Institut har han haft en central rolle i flere prisvindende AI-udviklingsprojekter, bl.a. optimering af kaffeopskrifter hos BKI, som vandt Danish AI Awards 2022, og computer vision til FarmDroid-markrobotten, som var blandt top-3 året efter. Simon er nysgerrig og prøver altid at presse grænsen for, hvor moderne AI teknologi kan skabe værdi