IA Python & Bildverarbeitung (3 Tage)

IA Python zur Bildverarbeitung Transform (3 Tage)

Erweitern seiner Kenntnisse der Python-Sprache

Datenanalyse im Machine Learning in Python

Entdecken Sie Python Bildverarbeitungsbibliotheken

Transformieren eines Bildes Extrahieren von Informationen aus einem Bild

1 910 €

- Anwesend in unseren Räumlichkeiten oder bei Ihnen
– Distanciel Online Finden Sie uns auf: Straßburg, Lille, Lyon, Reims, Genf, Brüssel, Luxemburg, Frankfurt, Karlsruhe, Berlin, Metz
INTRA (Rufen Sie uns an, um ein Angebot zu erhalten)

Bildverarbeitung (3,0 Stunden)
Pillow Bibliothek, um Bilder zu transformieren.
- Präsentation von Bildanalysebibliotheken.
Einfache Bildmanipulationen mit NumPy.
- Präsentation von Matplotlib zur schnellen Anzeige.
Praktische Arbeit: Mit Pip oder Conda, einfache und manuelle Transformationen von Bildern mit Numpy.
Fortgeschrittene Bildverarbeitung (3,0 Stunden)
Filtern, Analysieren und Suchen von Informationen mit Scikit-Image.
Präsentation und Transformationen mit OpenCV.
- OpenCV: Erkennung von Konturen und Mustern.
Praktische Arbeit: Einrichtung von Bibliotheken, Manipulation und Analyse von Bildern mit Scikit-Image und OpenCV

Automatisiertes Lernen (3,0 Stunden)
Scikit-learn einrichten.
- Beispiel für nutzbare Daten und Klassifizierung automatisierter Lernprozesse.
- Auswahl und Verwendung eines Schätzers.
- Verbesserung von überwachtem Lernen und Transformatoren.
Praktische Arbeit: Mehrere überwachte Lernprozesse zu Datensätzen mit Scikit-learn.
Zusätzliche automatisierte Lernfälle (3,0 Stunden)
Zerlegungsanalyse in Hauptkomponenten und lineare Diskriminanzanalyse.
Unüberwachtes Lernen: Mehrere Ansätze.
- Verschiedene Klassifizierungsalgorithmen.
Praktische Arbeit: Mit zusätzlichen Lernalgorithmen von Scikit-learn.

Lernen für Bilder (6,0 Stunden)
Bildklassifizierung mit Scikit-learn, zurück zu den verfügbaren Algorithmen.
- Präsentation und Installation von scikit-image.
Bibliothek zur Anpassung des automatisierten Lernens an digitale Bilder
Scikit-Bild-Eingänge und -Ausgänge.
- Bildanalyse mit Scikit-Bild: Segmentierung, Detektion, Messungen.
- Einfache Bildtransformationen mit Scikit-learn: Falten und andere Filter.
- Vergleich und Montage von Bildern mit Scikit-Bild.
- Verbessertes Bild mit Scikit-Bild.
Praktische Arbeit: Bildklassifizierung, Gesichtserkennung, Rekonstitution und Erweiterungen mit scikit-learn und scikit-image