Deep Learning for Vision with Caffe培訓

這種由講師指導的 澳門 現場培訓（在線或現場）面向希望擴展深度學習以生成文本到圖像的知識和技能的中高級數據科學家、機器學習工程師、深度學習研究人員和計算機視覺專家。

在本次培訓結束時，參與者將能夠：

• 了解用於文字到圖像生成的高級深度學習架構和技術。
• 實施複雜模型和優化，以實現高品質的圖像合成。
• 優化大型數據集和複雜模型的性能和可擴充性。
• 優化超參數以獲得更好的模型性能和泛化。
• 與其他深度學習框架和工具整合 Stable Diffusion

這種由 澳門 的講師指導的現場培訓（在線或現場） 面向希望瞭解 AlphaFold 工作原理並在實驗研究中使用 AlphaFold 模型作為指導的生物學家。

在本次培訓結束時，參與者將能夠：

• 理解 AlphaFold 的基本原理。
• 瞭解 AlphaFold 的工作原理。
• 瞭解如何解釋 AlphaFold 預測和結果。

這種由 講師指導的 澳門 現場培訓（在線或現場）面向希望使用 Chainer 在 Python 中構建和訓練神經網路，同時使代碼易於調試的研究人員和開發人員。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始開發神經網路模型。
• 使用易於理解的原始程式碼定義和實現神經網路模型。
• 執行範例並修改現有演算法以優化深度學習訓練模型，同時利用 GPU 實現高性能。

本課程爲講師指導的線下或線上培訓，面向中級開發者、數據科學家和AI從業者，旨在幫助他們利用TensorFlow Lite開發Edge AI應用。

通過本培訓，學員將能夠：

• 理解TensorFlow Lite的基礎知識及其在Edge AI中的作用。
• 使用TensorFlow Lite開發和優化AI模型。
• 在各種邊緣設備上部署TensorFlow Lite模型。
• 掌握模型轉換和優化的工具與技術。
• 使用TensorFlow Lite實現實際的Edge AI應用。

本次由講師主導的澳門培訓（線上或線下）面向希望從手動面部素描過渡到使用AI工具開發面部識別系統的初級執法人員。

培訓結束後，參與者將能夠：

• 瞭解人工智能和機器學習的基礎知識。
• 學習數字圖像處理的基礎知識及其在面部識別中的應用。
• 掌握使用AI工具和框架創建面部識別模型的技能。
• 獲得創建、訓練和測試面部識別系統的實踐經驗。
• 瞭解面部識別技術使用中的倫理考量和最佳實踐。

Fiji是一個開源的圖像處理軟件包，它集成了ImageJ（一個用於科學多維圖像處理的程序）以及多個用於科學圖像分析的插件。

在這個由講師指導的線下培訓中，參與者將學習如何使用Fiji發行版及其底層的ImageJ程序來創建一個圖像分析應用。

在培訓結束時，參與者將能夠：

• 使用Fiji的高級編程功能和軟件組件來擴展ImageJ
• 從重疊的圖塊中拼接大型3D圖像
• 使用集成的更新系統在啓動時自動更新Fiji安裝
• 從多種腳本語言中選擇，構建自定義的圖像分析解決方案
• 使用Fiji的強大庫，如ImgLib，處理大型生物圖像數據集
• 部署他們的應用，並與其他科學家在類似項目上合作

課程形式

• 互動式講座和討論。
• 大量練習和實踐。
• 在即時實驗環境中進行實際操作。

課程定製選項

• 如需爲此課程定製培訓，請聯繫我們進行安排。

本次由講師指導的培訓在澳門（線上或線下）舉行，面向初學者到中級水平的研究人員和實驗室專業人員，旨在幫助他們處理和分析與組織切片、血細胞、藻類及其他生物樣本相關的圖像。

培訓結束後，參與者將能夠：

• 熟悉Fiji界面並掌握ImageJ的核心功能。
• 對科學圖像進行預處理和增強，以便更好地分析。
• 定量分析圖像，包括細胞計數和麪積測量。
• 使用宏和插件自動化重複性任務。
• 根據生物研究中的具體需求，自定義圖像分析工作流程。

這種由 講師指導的 澳門 現場實時培訓（在線或現場）面向希望使用 Horovod 運行分散式深度學習訓練並將其擴展為在多個 GPU 之間並行運行的開發人員或數據科學家。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始運行深度學習訓練。
• 安裝並配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 訓練模型。
• 使用 Horovod 擴展深度學習訓練以在多個 GPU 上運行。

OpenCV（開源 Computer Vision 庫：http://opencv.org）是一個開源 BSD 許可的庫，包括數百種計算機視覺演算法。

觀眾

本課程面向尋求將 OpenCV 用於計算機視覺專案的工程師和架構師

這種以講師為主導的澳門現場培訓（現場或遠端）針對希望在Python與OpenCV 4中程式設計以進行深度學習的軟體工程師。

在培訓結束時，參與者將能夠：

• 使用 OpenCV 查看、載入和分類圖像和視頻 4.
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 實現深度學習。
• 運行深度學習模型，並從圖像和視頻中生成有影響力的報告。

Pattern Matching 是一種用於在圖像中定位指定模式的技術。它可用於確定捕獲的圖像中是否存在指定特徵，例如工廠生產線中缺陷產品上的預期標籤或元件的指定尺寸。它與 “Pattern Recognition” 的不同之處在於 “Pattern Recognition” （它根據更大的相關樣本集合識別一般模式），因為它具體指示我們正在尋找什麼，然後告訴我們預期的模式是否存在。

課程形式

• 本課程介紹了模式匹配領域中使用的方法、技術和演算法，因為它適用於 Machine Vision。

這種講師指導的現場培訓（在線或現場）面向希望 利用 Stable Diffusion 為各種使用案例生成高品質圖像的數據科學家、機器學習工程師和計算機視覺研究人員。

在本次培訓結束時，參與者將能夠：

• 瞭解 Stable Diffusion 的原理以及它如何用於圖像生成。
• 為圖像生成任務構建和訓練 Stable Diffusion 模型。
• 將 Stable Diffusion 應用於各種圖像生成方案，例如修復、出海和圖像到圖像的轉換。
• 優化 Stable Diffusion 模型的性能和穩定性。

這種以講師為主導的澳門現場培訓（現場或遠端）面向希望在非常小的嵌入式設備上編寫，載入和運行機器學習模型的工程師。

在培訓結束時，參與者將能夠：

• 安裝 TensorFlow Lite。
• 將機器學習模型載入式設備上，使其能夠檢測語音、對圖像進行分類等。
• 將 AI 添加到硬體設備，而無需依賴網路連接。

本課程由講師主導，在澳門（線上或線下）提供培訓，面向中級專業人士，旨在幫助他們使用Vision Builder AI設計、實施和優化SMT（表面貼裝技術）流程中的自動檢測系統。

培訓結束後，學員將能夠：

• 使用Vision Builder AI設置和配置自動檢測。
• 獲取並預處理高質量圖像以進行分析。
• 實施基於邏輯的決策，用於缺陷檢測和流程驗證。
• 生成檢測報告並優化系統性能。