Számítógépes látás - ingyenes tanfolyam az Otustól, képzés 4 hónap, Időpont: 2023. december 5.
Vegyes Cikkek / / December 08, 2023
A kurzus során neurális hálózatokat oktat a problémák megoldására:
- a képek osztályozása és szegmentálása
- tárgyak észlelése a képeken
- tárgyak követése videón
- háromdimenziós jelenetek feldolgozása
- képek és támadások generálása képzett neurális hálózati modellek ellen
Azt is megtanulja, hogyan kell használni a fő keretrendszereket a neurális hálózatok létrehozásához: PyTorch, TensorFlow és Keras. Az OTUS adattudományi kurzusainak térképe
Kinek szól ez a tanfolyam?
Gépi tanulással foglalkozó szakemberek számára, akik:
- Szeretnél számítógépes látásra specializálódni
- Már használja a Deep Learning gyakorlóit, és szeretné bővíteni és rendszerezni a tudást
- A kurzus lehetővé teszi, hogy váltson a klasszikus gépi tanulási feladatokról, mint például a kreditpontszámítás, a CTR-optimalizálás, a csalások felderítése és stb., és bekerülni az adattudomány fejlődő területére, ahol most a legérdekesebb dolgok történnek, és új karrierek nyílnak horizontok.
A képzés megadja a szükséges kompetenciákat ahhoz, hogy professzionális számítógépes látásrendszer-fejlesztő ismereteket igénylő munkákra jelentkezzen. A különböző cégeknél a szakterületeket máshogy hívják, a leggyakoribb lehetőségek a következők: Deep learning mérnök, Számítógép Látásmérnök, mesterséges intelligencia kutatómérnök [Computer Vision, Machine Learning], kutató programozó, Deep Learning/Computer Látomás.
Miben különbözik a tanfolyam a többitől?
Felkészülés harci küldetések megoldására: hogyan indítsunk el neurális hálózatot a felhőben és hogyan alkalmazzuk a modellt a különböző platformokhoz
A számítógépes látástechnológiák elmélyült ismerete és modern megközelítései
Elkészült projektmunka, amely hozzáadható a portfóliójához
Vicces példák, ötletek forrása és cyberpunk univerzumok karnyújtásnyira – 4 hónap elrepül egy lélegzetvétellel!
A tanfolyam során Ön:
Nyílt adatkészletekkel fog dolgozni különféle Computer Vision feladatokhoz
Megérti a konvolúciós és pooling rétegek működési elveit és lehetőségeit, beleértve az objektumészlelési és szegmentálási feladatokra jellemzőket is.
Tanuld meg alkalmazni a figyelemmechanizmust a konvolúciós hálózatokban.
Tudja meg, milyen ötletek állnak a modern konvolúciós hálózatok mögött (MobileNet, ResNet, EfficientNet stb.)
Meg fogja érteni az objektumészlelés DL-megközelítését – tanulmányozza az R-CNN családot, valós idejű detektorokat: YOLO, SSD. Ön is megvalósíthat tárgydetektort.
Tanulja meg megoldani a Deep Metric Learning problémát sziámi hálózatok segítségével. Ismerje meg, mi az a tripletveszteség és a szögveszteség.
Tapasztalatot szerezni képszegmentációs problémák megoldásában: U-Net, DeepLab.
Tanuljon meg finomhangolást alkalmazni, átadja a tanulást, és gyűjtse össze saját adatkészleteit az objektumészleléshez és a képszegmentáláshoz, valamint a metrikus tanulási feladatokhoz.
Generatív ellenséges hálózatokkal fog dolgozni. Ismerje meg, hogyan használhatók a GAN-ok ellenséges támadásokhoz, és hogyan lehet szuperfelbontású GAN-okat megvalósítani.
Ismerje meg a modellek futtatását a szerveren (tensorflow kiszolgálás, TFX). Ismerkedjen meg a neurális hálózatok mobil/beágyazott eszközökön történő következtetések optimalizálásának keretrendszereivel: Tensorflow Lite, TensorRT.
Fedezze fel az arcra jellemző tereptárgyak meghatározására szolgáló architektúrákat: kaszkád alakú regresszió, mély igazítási hálózat, halmozott homokóra hálózat
1
jólDiplomáját a Nemzeti Kutatóegyetem Közgazdaságtudományi Felsőoktatási Karának kvantitatív pénzügy szakán szerezte. Egyeteme óta érdeklődik a gépi tanulás és a mély tanulási problémák iránt. Sikerült különböző projekteken dolgozni: kifejlesztett egy csővezetéket a festmények észlelésére és felismerésére; integrált felismerő modul...
Diplomáját a Nemzeti Kutatóegyetem Közgazdaságtudományi Felsőoktatási Karának kvantitatív pénzügy szakán szerezte. Egyeteme óta érdeklődik a gépi tanulás és a mély tanulási problémák iránt. Sikerült különböző projekteken dolgozni: kifejlesztett egy csővezetéket a festmények észlelésére és felismerésére; felismerő modult integrált egy ROS-t használó automatikus hulladékválogató prototípusába; összegyűjtött egy videófelismerő csővezetéket és még sok mást.
3
tanfolyamTapasztalt fejlesztő, tudós és gépi/mély tanulási szakértő, tapasztalattal az ajánlórendszerekben. Több mint 30 tudományos publikációja van orosz és idegen nyelven, megvédte PhD disszertációját elemzési témakörben és...
Tapasztalt fejlesztő, tudós és gépi/mély tanulási szakértő, tapasztalattal az ajánlórendszerekben. Több mint 30 tudományos publikációja van orosz és idegen nyelven, PhD értekezését idősorok elemzése és előrejelzése témakörben védte meg. A Nemzeti Kutatói Egyetem Moszkvai Energetikai Intézetének Számítástechnikai Karán szerzett diplomát, ahol 2008-ban. 2010-ben alapképzést, 2010-ben mesterképzést, 2014-ben a műszaki tudományok kandidátusát szerzett. Még mielőtt elkezdtem volna dolgozni a szakdolgozatán, érdeklődtem az adatelemzés iránt, és első jelentősebb projektem megvalósításakor hétköznapi programozóból a fejlesztési osztály vezetőjévé váltam. Körülbelül 10 éven át a Nemzeti Kutatóegyetem Moszkvai Energetikai Intézetében oktatott kapcsolódó tudományokat, a tanszék docenseként. Vezeti az NLP, RecSys, Time Series és Computer Vision Teacher projekteket kidolgozó adattudományi csapatokat
2
tanfolyamA számítógépes látás és a mély tanulás szakértője, okleveles szoftvermérnök, a fizikai és matematikai tudományok kandidátusa. 2012-től 2017-ig arcfelismeréssel foglalkozott a WalletOne-nál, amelynek megoldásait a déli...
A számítógépes látás és a mély tanulás szakértője, okleveles szoftvermérnök, a fizikai és matematikai tudományok kandidátusa. 2012 és 2017 között a WalletOne arcfelismerésén dolgozott, amelynek megoldásait dél-afrikai és európai vállalkozások szállították. Részt vett a Mirror-AI startupban, ahol a számítógépes látás csapatát vezette. 2017-ben a startup átvette az Y-kombinátort, és beruházásokat kapott egy olyan alkalmazás létrehozására, amelyben a felhasználó szelfiből rekonstruálhatja avatarját. 2019-ben részt vett a brit Kazendi Ltd. startupban, a HoloPortation projektben. A projekt célja 3D-s avatarok rekonstrukciója a HoloLens kiterjesztett valóság szemüvegéhez. 2020 óta vezeti a számítógépes látás csapatát az amerikai Boost Inc. startupnál, amely az NCAA kosárlabda videoelemzésével foglalkozik. Program menedzser
Az alapoktól a modern architektúrákig
-Téma 1. Számítógépes látás: feladatok, eszközök és tanfolyami program
-2. témakör. Konvolúciós neurális hálózatok. Konvolúció, transzponált konvolúció, húzás műveletei
-3. témakör. Konvolúciós hálózatok evolúciója: AlexNet->EfficientNet
-Téma 4.Adatok előkészítése és kiegészítése
-5. téma.OpenCV. Klasszikus megközelítések
-6. témakör. Szabványos adatkészletek és modellek PyTorch-ban a Finomhangolás példájával
- 7. témakör. Szabványos adatkészletek és modellek a TensorFlow-ban a Transfer Learning megközelítés példájával
-Téma 8.TensorRT és következtetés a szerveren
Észlelés, követés, osztályozás
-9. témakör Tárgyérzékelés 1. Problémafelvetés, mérőszámok, adatok, R-CNN
-10. téma.Tárgyérzékelés 2. Maszk-RCNN, YOLO, RetinaNet
- 11. témakör. Iránypontok: Arc tereptárgyak: PFLD, halmozott homokóra-hálózatok(?), Mély igazítási hálózatok (DAN),
-Téma 12. Pózbecslés
-13. téma.Arcfelismerés
-Téma 14.Objektumkövetés
Szegmentálás, generatív modellek, munka 3D-vel és videóval
-15. témakör. Szegmentálás + 3D szegmentálás
-16. témakör.Hálózatoptimalizálási módszerek: metszés, mixint, kvantálás
-17. témakör. Önvezető / Autonóm jármű
-18. témakör: Autoencoders
- 19. téma. 3D jelenetekkel való munka. PointNet
-20. témakör.GAN-ok 1. Keretrendszer, feltételes generálás és szuperfelbontás
-21. témakör.GAN-ok 2. Építészeti áttekintés
- 22. téma. Akciófelismerés és 3D videóhoz
Projekt munka
-23. témakör Témaválasztás és projektmunka szervezése
-24. témakör. Konzultáció projektekről és házi feladatokról
-25. témakör. Tervezési munka védelme