Cubix Institute of TechnologyCubix Institute of Technology aims to gather the most important skill set building blocks for IT professionals by organizing cohort-based online IT&TECH trainings with the help of industry-leading mentors, tech companies and higher education institutions.
Our constantly expanding portfolio currently consists of 35+ courses, including topics, e.g.: Frontend and Backend development (Java, Python, C++, JavaScript, Angular, React, Node.js, C#, .NET, stb), Mobile and Cross-Platform Development (iOS, Android, Flutter), IT Project and Product Management, Software Testing, DevOps, and Cloud Solutions, Data Science, AI/ML/DL, UI/UX, IT security, Video Game-, AR/VR/XR Development, IoT and Embedded System Development, Blockchain, etc.
Become a member of our community!
Online IT academy
|
|
Computer Vision Engineer képzés
Ismerd meg projekt alapú képzésünkön a különböző gépi látás algoritmusokat, mely tudással izgalmas Computer Vision technológián alapuló projekteken dolgozhatsz..
Mit nyújt a képzés?
- Átfogó képet pasz a gépi látás feljődéséről a klasszikus technikáktól kezdve egészen a legmodernebb generatív modellekig.
- Megismered a különböző algoritmusok erősségeit és gyengeségeit és kipróbálhatod őket a való életből vett feladatokon keresztül.
- Elmélyülsz a neurális hálók és képklasszifikációs modellek használatában, amelyek a deep learning és a computer vision alapvető elemei.
- Megtanulsz olyan deep learning alapú Object Detection és képszegmentációs technikákat, amelyek kulcsfontosságúak például a biztonsági megfigyelés és az önvezető autók fejlesztésében.
- Elsajátítod a legújabb generatív AI technológiákat, azon belül is a vizuális információ (képi tartalmak) generálásának izgalmas lehetőségeit.
- A saját érdeklődési területedre szabott projektfeladatokon keresztül fejlesztheted tudásodat a témában.
Miért érdemes belevágnod Computer Vision Engineer képzésünkbe?
Jelenleg rengeteg képzés fókuszál az AI / ML alapokra, akár az egyetemen, akár nálunk is. Ezekben általában röviden meg van említve a gépi látás témája is, de az ezeken megszerezhető tudás még nem elég arra, hogy eredményesen vehessünk részt Computer Vision technológiát alkalmazó projektekben, pedig egyre nagyobb igény mutatkozik a szakemberekre ezen a területen is.
Már most is rengeteg Computer Vision Engineer dolgozik az egészségügytől kezdve, az önvezető autók fejlesztésén át a bányászatig mindenféle iparágban és ahogy a Computer Vision algoritmusok fejlődnek, egyre több és több alkalmazás területen lesznek bevethetők.
Ezen a képzésen elmélyítheted machine learning tudásod a gépi látás területére specializálódva, így neked is megnyílik a lehetőség, hogy aktívan alkalmazd ezt egyre népszerűbb technológiát.
Kinek ajánlott a képzés?
Azoknak fejlesztőknek vagy mérnöki érdeklődésű embereknek, akik még nem ismerik a Computer Vision világát, de most szeretnének gyakorlati tudást szerezni a gépi látás területén, hogy eredményesen dolgozhassanak ilyen technológiát alkalmazó projekteken.
Milyen tudásra teszel szert a Computer Vision Engineer képzésen?
- 1. hét: A Computer Vision alapjaiba vezetünk be, aminek része a korai gépi látás algoritmusok megismerése és alkalmazása.
- 2. hét: Neurális hálókkal foglalkozunk, specifikusan képklasszifikációs modellekkel, melyek a modern Computer Vision technológia alappillérei.
- 3. hét: Object Detection-ről fogsz tanulni, ami többek között a biztonsági megfigyelés egy fontos eleme, és rengeteg kutatás folyik a fejlesztése érdekében.
- 4. hét: Képszegmentációval foglalkozunk, az önvezető autók “szemével”, mely rengeteg érdekes kihívást foglal magában.
- 5. hét: Téma a generatív AI, pontosabban a vizuális információ generálása, melyben az utóbbi időben rengeteg fejlődés történt.
- 6. hét: A hatékonyságra és az alacsony erőforrásos környezetekre fókuszálunk, ami rendkívül fontos a Computer Vision algoritmusok alkalmazásában.
A részletes tematikát lent találod.
Ki lesz mindebben oktatód és mentorod?
Herbert Attila - AI Engineer @Minealytics, korábban Neurocat, Verizon Smart Communities
BSc diplomáját molekuláris bionikából szerezte, ahol a neurális hálókra specializálódott, ezt követően pedig mesterséges intelligencia területén mélyítette tovább tudását a Maastricht University mesterképzésén.
Több mint 5 éves szakmai tapasztalattal rendelkezik a Computer Vision területén, ahol számos különböző projektben vett részt, több ipari területet érintve, köztük Smart Cities és önvezető autók fejlesztését is például. Kutatói háttere mellet széles tapasztalattal rendelkezik Computer Vision projektek teljes körű végigvitelében a koncepciótól a deployment-ig.
Mik a képzés előkövetelményei?
A lenti linkekre kattintva megismerheted azokat a képzéseket, ahol ellenőrizheted, hogy rendelkezel-e részvételhez szükséges tudással.
A következő tanfolyamokon megszerezhető tudás ismerete előfeltétel a részvételhez:
A képzés során előnyt jelenthet, de nem elvárás a részvételhez:
- Numpy ismeretek
- Mélyebb Machine Learning tudás vagy saját ML projekt
- PyTorch alapvető ismerete
Hogyan fogsz tanulni?
- Gyakorlatorientált oktatás: minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét lekérdezéseket fogsz megvalósítani
- Interaktív digitális tananyag: a gyakorlati feladatok elvégzéséhez és a képzés sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át, amelyeket saját időbeosztásod szerint, akár munka mellett is feldolgozhatod és egy évig korlátlan alkalommal visszanézheted.
- Oktatói mentoring: a képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra, fejlődésedet végigkíséri.
- Konzultációk: valamennyi tanegység végén egy-egy élő konzultációs alkalmat is szervezünk, amikor élőben is felteheted kérdéseidet, közösen kiértékelhetitek és átbeszélhetitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.
- Limitált férőhely: a fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Mikor indul a képzés?
Jelenleg nincs meghirdetett időpontunk, de hamarosan érkezik! Addig is kötelezettségek nélkül előjelentkezhetsz és emailben értesítünk, amint felkerül a következő elérhető tanfolyam időpontja.
Mit fontos tudnod a fizetéssel kapcsolatban?
- Pénzvisszafizetési garancia: Biztosak vagyunk a képzés tartalmát és minőségét illetően, ezért a képzés indulásától 8 napig 100%-os pénzvisszafizetési garanciát vállalunk.
- Kamatmentes részletfizetés: Nem szeretnénk, ha fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat akár több részletben is fizetheted, teljesen kamatmentesen.
- Céges számla igénylése: erre is van lehetőség ha a beiratkozom gombra kattintás után elérhető jelentkezési űrlapon kipipálod az “Áfás számla igénylés”-t.
Ha érdekel a képzés két lehetőséged is van:
1. Jelentkezel a képzésre
Ha eldöntötted, hogy jelentkezel a képzésre és szeretnéd biztosítani helyedet, nincs más teendőd, mint a ‘Beiratkozom’ gombra kattintva kitölteni a jelentkezési formot és kifizetni a képzés díját.
2. Kérdezel még a képzésről
Ha szívesen jelentkeznél, de úgy érzed még van néhány kérdés, amire nem találtad meg a választ, kattints az ‘Érdekel, de kérdeznék’ gombra és add meg elérhetőségedet, 48 órán belül felvesszük veled a kapcsolatot.
A változtatás jogát fenntartjuk.
-
0.Hasznos információk a kurzushoz
-
1. lecke
Hogyan használd a felületet?
-
2. lecke
Képzés használati útmutató
-
1.Klasszikus Computer Vision
-
3. lecke
Bevezetés a Számítógépes Látásba és annak alkalmazásaiba
-
4. lecke
Image manipulation
-
5. lecke
Színterek és Hisztogramok
-
6. lecke
Filtering és Konvolúció
-
7. lecke
SIFT és SURF Feature extraction
-
8. lecke
Transzformációk
-
9. lecke
Feladat: Panoráma összefűzés feature extraction és transzformációk segítségével
-
2.Deep learning Computer Vision alapok
-
10. lecke
OCR (MNIST, konvolúciós hálók)
-
11. lecke
Deep learning alapok
-
12. lecke
Imagenet klasszifikáció
-
13. lecke
AlexNettől ResNeXt-ig
-
14. lecke
Feladat: Transfer learning választott képeken
-
3.Object Detection, Recognition
-
15. lecke
Object Detection alapok
-
16. lecke
YOLO
-
17. lecke
R-CNN
-
18. lecke
Deep learning haladó training technikák (scheduling, mixed precision, hyperparaméter-keresés)
-
19. lecke
Feladat: Object extraction pontosabb klasszifikációhoz
-
4.Image Segmentation
-
20. lecke
Image segmentation alapjai, nehézségek
-
21. lecke
Edge-based segmentation
-
22. lecke
UNet, binary segmentation
-
23. lecke
Semantic segmentation
-
24. lecke
DeepLab, CityScapes
-
25. lecke
Feladat: különböző modellek összehasonlítása
-
5.Generatív modellek
-
26. lecke
VAE
-
27. lecke
Transformerek
-
28. lecke
Stable Diffusion
-
29. lecke
DALL-E
-
30. lecke
Feladat: prompt engineering, saját stable diffusion model használata
-
6.Speciális alkalmazások, technikák
-
31. lecke
Object tracking
-
32. lecke
Arcfelismerés hatékonyan
-
33. lecke
Edge computing (TensorRT, optimalizáció)
-
34. lecke
Mobil computer vision
-
35. lecke
Etika és Adatvédelem
-
36. lecke
Robustness, XAI
-
7.Záró Projektfeladat
-
37. lecke
Záró Projekt