[AI基礎] AI Research Engineerのための CNN理解

AIを研究したり、それを活用してプロジェクトを進める場合、基本的な論文の実装は必須です。この講義を通じて実際の論文を実施し、実務能力をアップグレードしましょう！

AIを研究したり、それを活用してプロジェクトを進める場合、基本的な論文の実装は必須です。この講義を通じて実際の論文を実施し、実務能力をアップグレードしましょう！

名刺認識を実装する実践を通じて、OpenCVを活用し、画像を処理する方法を学びます。 OpenCVについては簡単に説明し、名刺認識を実装するために必要なOpenCV関数はより詳細に説明する方法です。つまり、基礎講座というよりは名刺認識という実戦のためのエキスを提供します。 TesseractとMicrosoftのOCRエンジンを活用する方法も含まれています。 本講義のソースコードはPythonベースですが、活用するOpenCVクラスや関数と画像認識や処理技術を習得するため、これをもとにAndroidやiOSに適用することは無理はないでしょう。 受講者は講義スライド、実際に動作する名刺認識ソースコードを提供します。 2017年1月と2月に3回のオフラインセミナーを行い、さらに改善され検証された講義内容を講師が丁寧にオンライン用に再録したものです。 本講義で活用されるOpenCV関数です。 cv2.Canny() cv2.GaussianBlur() cv2.VideoCapture() cv2.adaptiveThreshold() cv2.approxPolyDP() cv2.arcLength() cv2.boundingRect() cv2.boxPoints() cv2.contourArea() cv2.convertScaleAbs() cv2.createTrackbar() cv2.cvtColor() cv2.destroyAllWindows() cv2.dilate() cv2.drawContours() cv2.findContours() cv2.getAffineTransform() cv2.getPerspectiveTransform() cv2.getTrackbarPos() cv2.imread() cv2.imshow() cv2.imwrite() cv2.minAreaRect() cv2.namedWindow() cv2.rectangle() cv2.resize() cv2.threshold() cv2.waitKey() cv2.warpAffine() cv2.warpPerspective()

ホットなイメージ生成モデル！基礎から実装しながら理解しよう！ AUTO ENCODER / VAE / GAN / DIFFUSION まで一緒に実装してみましょう！

講師が初めてディープラーニングを学んだ際に失敗した経験をもとに、ディープラーニングの理解に必要な数学、理論、PyTorchベースの実装、転移学習、GPTの核心であるTransformerまで、着実に学べるよう新たに構成した講義です。

この講義では、生成型人工知能モデルの中でもDiffusionモデルに関連する実習を行います。代表的なDiffusionモデル応用論文であるprompt-to-prompt論文を一緒に読んで実装することで、最新の人工知能論文を理解する能力を養うことができることを期待しています。

画像をアップロードすると、Opencvが処理して顔を検出するWebアプリを作成します。

Next.js, YOLOv11, FastAPIを活用してリアルタイム火災検知システムを構築する方法を学びます。

ボストンマラソンのビッグデータに基づいて、PythonとTensorflow 2を利用して、多様で有用な機械学習回帰（Regression）と分類（Classification）プロジェクトを理論とともに学ぶ機械学習総合プロジェクトコースです。

AI人工知能、モバイルが大勢だということは言うまでもありません。ところで、機械学習とディープラーニングを学び、モバイルでどのように書くのでしょうか？それでは、生活の中で活用される便利なモバイルComputer Visionプロジェクトを一緒に学びましょう。

ニューラルネットワークをFPGAに実装する — 言葉には馴染みがありますが、実際に成し遂げた人は稀です。 キャップストーン、競技会、卒業制作で一歩先を行きたいなら、モデルを学習させるだけでなく、その演算が実際のチップの中でどのように動くのかを自ら作り、証明できなければなりません。この講義は、まさにその点、理論と実物ハードウェアの間のギャップを埋めるお手伝いをします。 MNISTの数字を認識するニューラルネットワークアクセラレータ（NPU）を、スペックの読み解きからPythonゴールデンモデル、Verilog RTL設計、FPGA検証まで、最初から最後まで自ら完成させます。ラインバッファと並列MACで作るConv層、ReLU・MaxPool・Flattenを経て全結合層とArgmaxまで — 9つのブロックを一つのチップに統合し、"Pythonの正解とハードウェアの出力が1ビットも違わない（Bit-True）"ことを自ら証明します。シミュレーションは正常に動くのに結果だけが微妙に異なる、そんなもどかしい瞬間を乗り越える方法まで講義に込めました。 整数量子化、配列の軸順序の変換、アキュムレータのオーバーフロー防止など、一般的なディープラーニングの教材では扱われない実戦的なノウハウを一つずつ解説します。私はRISC-V CPU設計とFPGA Bit-True検証を長年手がけてきた中で経験した試行錯誤を、皆さんが繰り返さないようこの講義に凝縮しました。講義が終わる頃には、"自ら設計し、証明した"と言える完成されたハードウェアプロジェクトが手元に残ります。

本講義では、フォトモザイクを生成する全体プロセスをアルゴリズムの観点から見ていきます。 入力画像をK-meansクラスタリングによってタイル数に合わせた代表色集合に縮小した後、ハンガリアンアルゴリズムを適用して各色とタイルを1:1で最適マッチングします。 これにより、画像処理と組合せ最適化アルゴリズムが結合されて一つの視覚的成果物を作り出すプロセスを理解します。

メイカソンで80%が詰まるポイント、今すぐ解決しましょう。 Raspberry Pi・コンピュータビジョン・LLM・3D設計まで4週間完成! デモ可能なスマートミラーPoCでメイカソン上位入賞達成!

FPGAとVerilogは学んだものの、「それで、AIアクセラレータをどうやって直接作るのか？」という段階で立ち止まってしまう方が多くいます。この講義はその疑問を解消します。普及型FPGA一枚と無料ツールだけで、手作業で設計した3×3カーネルから始まり、CNNを直接学習させ、学習済み重みをINT8に量子化してハードウェアに実装した後、Pythonモデルと1ビットの狂いもなく一致するか（Bit-True）まで検証します。半導体業界30年の経歴を持つ現職教授として、実際のFPGAで検証した内容のみを「動作する回路」として教えます。理論ではなく、自ら設計し証明する経験を通じて、ファブレス設計・AI半導体分野で通用する実践的なスキルを身につけることができます。

実務で本当に使えるOCR技術を、しっかり学びたいならこの講座一つで完結！ 非定型文書や複雑なレイアウトでも98%以上の精度を目指し、最新のSOTAモデルと実践ノウハウをもとに企業レベルのOCRプロジェクトを一緒に構築していきます。