Počítačové videnie - bezplatný kurz od Otus, školenie 4 mesiace, Termín: 5.12.2023.
Rôzne / / December 08, 2023
Počas kurzu budete trénovať neurónové siete na riešenie problémov:
- klasifikácia a segmentácia obrázkov
- detekcia objektov v obrazoch
- sledovanie objektov na videu
- spracovanie trojrozmerných scén
- generovanie obrázkov a útokov na trénované modely neurónových sietí
Dozviete sa tiež, ako používať hlavné frameworky na vytváranie neurónových sietí: PyTorch, TensorFlow a Keras. Kurzy Map of Data Science na OTUS
Pre koho je tento kurz určený?
Pre profesionálov strojového učenia, ktorí:
- Chcete sa špecializovať na počítačové videnie
- Už používate odborníkov na hlboké učenie a chcete rozšíriť a systematizovať vedomosti
- Kurz vám umožní prejsť z klasických úloh strojového učenia, ako je kreditné skóre, optimalizácia CTR, detekcia podvodov a atď., a dostať sa do rozvíjajúcej sa oblasti Data Science, kde sa všetky najzaujímavejšie veci dejú teraz a otvárajú sa nové kariéry horizonty.
Školenie vám poskytne potrebné kompetencie, aby ste sa mohli uchádzať o pracovné miesta, ktoré si vyžadujú profesionálne zručnosti v oblasti vývoja systému počítačového videnia. V rôznych spoločnostiach sa špeciality nazývajú rôzne, najčastejšie možnosti sú: Deep learning engineer, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], výskumný programátor, Deep Learning/Computer Vízia.
Čím sa kurz líši od ostatných?
Príprava na riešenie bojových misií: ako spustiť neurónovú sieť v cloude a prispôsobiť model pre rôzne platformy
Hlboké znalosti a moderné prístupy k technológiám počítačového videnia
Dokončené projektové práce, ktoré možno pridať do vášho portfólia
Vtipné príklady, studnica nápadov a kyberpunkové vesmíry na dosah ruky – 4 mesiace preletia jedným dychom!
Počas kurzu:
Budete pracovať s otvorenými súbormi údajov pre rôzne úlohy počítačového videnia
Pochopíte prevádzkové princípy a možnosti konvolučných a združovacích vrstiev, vrátane tých, ktoré sú špecifické pre úlohy detekcie objektov a segmentácie.
Naučte sa aplikovať mechanizmus pozornosti v konvolučných sieťach.
Zistite, aké myšlienky sú základom moderných konvolučných sietí (MobileNet, ResNet, EfficientNet atď.)
Pochopíte DL prístupy k detekcii objektov - preštudujte si rodinu R-CNN, detektory v reálnom čase: YOLO, SSD. Detektor objektov si môžete implementovať aj sami.
Naučte sa riešiť problém Deep Metric Learning pomocou siamských sietí. Zistite, čo je triplet strata a uhlová strata.
Získajte skúsenosti s riešením problémov segmentácie obrazu: U-Net, DeepLab.
Naučte sa aplikovať jemné ladenie, prenášať učenie a zhromažďovať svoje vlastné súbory údajov na detekciu objektov a segmentáciu obrazu, úlohy učenia metrík.
Budete pracovať s generatívnymi protichodnými sieťami. Pochopte, ako môžu byť siete GAN použité na nepriateľské útoky a ako implementovať siete GAN s vysokým rozlíšením.
Naučte sa spúšťať modely na serveri (tensorflow serve, TFX). Zoznámte sa s rámcami pre optimalizáciu neurónových sietí pre odvodenie na mobilných/embedded zariadeniach: Tensorflow Lite, TensorRT.
Preskúmajte architektúry na definovanie orientačných bodov tváre: kaskádová regresia tvarov, sieť hlbokého zarovnania, sieť presýpacích hodín
1
dobreVyštudovala magisterský program kvantitatívne financie na Vysokej škole ekonomickej Národnej výskumnej univerzity. Od univerzity sa zaujíma o strojové učenie a problémy hlbokého učenia. Podarilo sa mu pracovať na rôznych projektoch: vyvinula potrubie na detekciu a rozpoznávanie obrazov; integrovaný rozpoznávací modul...
Vyštudovala magisterský program kvantitatívne financie na Vysokej škole ekonomickej Národnej výskumnej univerzity. Od univerzity sa zaujíma o strojové učenie a problémy hlbokého učenia. Podarilo sa mu pracovať na rôznych projektoch: vyvinula potrubie na detekciu a rozpoznávanie obrazov; integroval rozpoznávací modul do prototypu automatického triediča odpadu pomocou ROS; zhromaždil kanál na rozpoznávanie videa a mnoho ďalších.
3
kurzSkúsený vývojár, vedec a odborník na strojové/hĺbkové učenie so skúsenosťami v systémoch odporúčaní. Má viac ako 30 vedeckých publikácií v ruštine a cudzích jazykoch, obhájil dizertačnú prácu na tému analýzy a...
Skúsený vývojár, vedec a odborník na strojové/hĺbkové učenie so skúsenosťami v systémoch odporúčaní. Má viac ako 30 vedeckých publikácií v ruštine a cudzích jazykoch a obhájil dizertačnú prácu o analýze a prognózovaní časových radov. Vyštudoval Fakultu informatiky na Moskovskom energetickom inštitúte Národnej výskumnej univerzity, kde v roku 2008. bakalársky titul, magisterský titul v roku 2010 a kandidát technických vied v roku 2014. Ešte pred začatím práce na jeho dizertačnej práci som sa začal zaujímať o analýzu dát a pri realizácii môjho prvého významného projektu som sa z obyčajného programátora dostal na vedúceho oddelenia vývoja. Asi 10 rokov vyučoval súvisiace disciplíny na Moskovskom energetickom inštitúte Národnej výskumnej univerzity ako docent katedry. Vedie Data Science tímy rozvíjajúce projekty v oblasti NLP, RecSys, Time Series a Computer Vision Teacher
2
kurzOdborník v oblasti počítačového videnia a hlbokého učenia, certifikovaný softvérový inžinier a kandidát fyzikálnych a matematických vied. V rokoch 2012 až 2017 pracoval v oblasti rozpoznávania tváre v spoločnosti WalletOne, ktorej riešenia boli dodávané podnikom v Južnej...
Odborník v oblasti počítačového videnia a hlbokého učenia, certifikovaný softvérový inžinier a kandidát fyzikálnych a matematických vied. V rokoch 2012 až 2017 pracoval v oblasti rozpoznávania tváre v spoločnosti WalletOne, ktorej riešenia boli dodávané podnikom v Južnej Afrike a Európe. Podieľal sa na startupe Mirror-AI, kde viedol tím počítačového videnia. V roku 2017 startup prešiel Y-kombinátorom a získal investície na vytvorenie aplikácie, v ktorej si používateľ môže rekonštruovať svojho avatara zo selfie. V roku 2019 participoval v britskom startupe Kazendi Ltd., na projekte HoloPortation. Cieľom projektu je rekonštrukcia 3D avatarov pre okuliare s rozšírenou realitou HoloLens. Od roku 2020 vedie tím počítačového videnia v americkom startupe Boost Inc., ktorý sa zaoberá video analytikou v basketbale pre NCAA. Programový manažér
Od základov až po moderné architektúry
-Téma 1. Počítačové videnie: úlohy, nástroje a program kurzu
-Téma 2. Konvolučné neurónové siete. Operácie konvolúcie, transponovanej konvolúcie, ťahania
-Téma 3. Vývoj konvolučných sietí: AlexNet->EfficientNet
-Téma 4. Príprava a augmentácia údajov
-Téma 5.OpenCV. Klasické prístupy
-Téma 6. Štandardné množiny údajov a modely v PyTorch na príklade jemného ladenia
-Téma 7. Štandardné súbory údajov a modely v TensorFlow na príklade prístupu Transfer Learning
-Téma 8.TensorRT a odvodenie na serveri
Detekcia, sledovanie, klasifikácia
-Téma 9. Detekcia objektov 1. Vyhlásenie problému, metriky, údaje, R-CNN
-Téma 10. Detekcia objektov 2. Maska-RCNN, YOLO, RetinaNet
-Téma 11. Orientačné body: Orientačné body na tvári: PFLD, siete presýpacích hodín (?), Deep Alignment Networks (DAN),
-Téma 12. Odhad pozície
-Téma 13.Rozpoznávanie tváre
-Téma 14. Sledovanie objektu
Segmentácia, generatívne modely, práca s 3D a videom
-Téma 15. Segmentácia + 3D segmentácia
-Téma 16. Metódy optimalizácie siete: prerezávanie, mixint, kvantovanie
-Téma 17. Samoriadiace / autonómne vozidlo
-Téma 18.Automatické kódovače
-Téma 19. Práca s 3D scénami. PointNet
-Téma 20. GANs 1. Rámec, podmienené generovanie a super-rozlíšenie
-Téma 21.GANs 2. Prehľad architektúry
-Téma 22.Rozpoznávanie akcií a 3D pre video
Projektová práca
-Téma 23. Výber témy a organizácia projektovej práce
-Téma 24. Konzultácia projektov a domácich úloh
-Téma 25.Ochrana dizajnérskej práce