Computersyn - gratis kursus fra Otus, uddannelse 4 måneder, Dato: 5. december 2023.
Miscellanea / / December 08, 2023
I løbet af kurset vil du træne neurale netværk til at løse problemer:
- klassificering og segmentering af billeder
- påvisning af objekter i billeder
- sporing af objekter på video
- bearbejdning af tredimensionelle scener
- generering af billeder og angreb på trænede neurale netværksmodeller
Du vil også lære, hvordan du bruger de vigtigste rammer til at skabe neurale netværk: PyTorch, TensorFlow og Keras. Kort over Data Science-kurser på OTUS
Hvem er dette kursus for?
For maskinlæringsprofessionelle, der:
- Ønsker du at specialisere dig i Computer Vision
- Bruger allerede Deep Learning praktikere og ønsker at udvide og systematisere viden
- Kurset giver dig mulighed for at skifte fra klassiske maskinlæringsopgaver såsom kreditscoring, CTR-optimering, svindeldetektion og osv., og kom ind i det udviklende felt af Data Science, hvor alle de mest interessante ting sker nu, og nye karrierer åbner sig horisonter.
Uddannelsen vil give dig de nødvendige kompetencer til at søge job, der kræver professionelle færdigheder til udvikling af computervisionsystemer. I forskellige virksomheder kaldes specialer forskelligt, de mest almindelige muligheder er: Deep learning ingeniør, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], forskningsprogrammør, Deep Learning/Computer Vision.
Hvordan adskiller kurset sig fra andre?
Forberedelse til at løse kampmissioner: hvordan man starter et neuralt netværk i skyen og tilpasser modellen til forskellige platforme
Dybdegående viden og moderne tilgange til computersynsteknologier
Gennemført projektarbejde, der kan tilføjes din portefølje
Sjove eksempler, et springvand af ideer og cyberpunk-universer lige ved hånden - 4 måneder flyver afsted i ét åndedrag!
I løbet af kurset:
Du kommer til at arbejde med åbne datasæt til forskellige Computer Vision opgaver
Du vil forstå driftsprincipperne og mulighederne for foldnings- og poollag, inklusive dem, der er specifikke for objektdetekterings- og segmenteringsopgaver.
Lær at anvende opmærksomhedsmekanisme i foldede netværk.
Find ud af, hvilke ideer der ligger til grund for moderne konvolutionelle netværk (MobileNet, ResNet, EfficientNet osv.)
Du vil forstå DL-tilgange til objektdetektion - studere R-CNN-familien, realtidsdetektorer: YOLO, SSD. Du kan også selv implementere en objektdetektor.
Lær at løse problemet med Deep Metric Learning ved hjælp af siamesiske netværk. Lær, hvad triplettab og vinkeltab er.
Få erfaring med at løse billedsegmenteringsproblemer: U-Net, DeepLab.
Lær at anvende finjustering, overfør læring og saml dine egne datasæt til objektdetektering og billedsegmentering, metriske læringsopgaver.
Du kommer til at arbejde med generative kontradiktoriske netværk. Forstå, hvordan GAN'er kan bruges til modstridende angreb, og hvordan du implementerer superopløsnings-GAN'er.
Lær at køre modeller på serveren (tensorflow-servering, TFX). Bliv bekendt med rammer til optimering af neurale netværk til inferens på mobile/indlejrede enheder: Tensorflow Lite, TensorRT.
Udforsk arkitekturer til at definere ansigtets vartegn: Cascade form regression, Deep Alignment Network, Stacked Hourglass Network
1
godtHun er uddannet fra kandidatuddannelsen i kvantitativ finansiering på National Research University Higher School of Economics. Siden universitetet har han været interesseret i maskinlæring og deep learning-problemer. Formåede at arbejde på forskellige projekter: udviklet en pipeline til detektering og genkendelse af malerier; integreret genkendelsesmodul...
Hun er uddannet fra kandidatuddannelsen i kvantitativ finansiering på National Research University Higher School of Economics. Siden universitetet har han været interesseret i maskinlæring og deep learning-problemer. Formåede at arbejde på forskellige projekter: udviklet en pipeline til detektering og genkendelse af malerier; integreret et genkendelsesmodul i en prototype af en automatisk affaldssortering ved hjælp af ROS; indsamlet en pipeline til videogenkendelse og mange andre.
3
RuteErfaren udvikler, videnskabsmand og Machine/Deep learning ekspert med erfaring i anbefalingssystemer. Han har mere end 30 videnskabelige publikationer på russisk og fremmedsprog, forsvarede sin ph.d.-afhandling om emnet analyse og...
Erfaren udvikler, videnskabsmand og Machine/Deep learning ekspert med erfaring i anbefalingssystemer. Han har mere end 30 videnskabelige publikationer på russisk og fremmedsprog og forsvarede sin ph.d.-afhandling om analyse og prognose af tidsserier. Uddannet fra fakultetet for datalogi ved National Research University Moscow Power Engineering Institute, hvor han i 2008. modtog en bachelorgrad, en kandidatgrad i 2010 og en kandidat fra teknisk videnskab i 2014. Allerede inden jeg startede arbejdet med hans afhandling, blev jeg interesseret i dataanalyse, og da jeg implementerede mit første betydningsfulde projekt, gik jeg fra en almindelig programmør til leder af udviklingsafdelingen. I omkring 10 år underviste han i relaterede discipliner ved National Research University Moscow Power Engineering Institute, idet han var lektor i afdelingen. Leder Data Science-teams, der udvikler projekter inden for NLP, RecSys, Time Series og Computer Vision Teacher
2
RuteEkspert i computersyn og deep learning, certificeret softwareingeniør og kandidat for fysiske og matematiske videnskaber. Fra 2012 til 2017 arbejdede han med ansigtsgenkendelse hos WalletOne, hvis løsninger blev leveret til virksomheder i Syd...
Ekspert i computersyn og deep learning, certificeret softwareingeniør og kandidat for fysiske og matematiske videnskaber. Fra 2012 til 2017 arbejdede han med ansigtsgenkendelse hos WalletOne, hvis løsninger blev leveret til virksomheder i Sydafrika og Europa. Deltog i opstarten Mirror-AI, hvor han ledede computervisionsteamet. I 2017 bestod opstarten Y-combinator og modtog investeringer for at skabe en applikation, hvor brugeren kan rekonstruere sin avatar fra en selfie. I 2019 deltog han i den britiske startup Kazendi Ltd., i HoloPortation-projektet. Målet med projektet er at rekonstruere 3D-avatarer til HoloLens augmented reality-briller. Siden 2020 har han ledet computervisionsteamet hos den amerikanske startup Boost Inc., der beskæftiger sig med videoanalyse i basketball for NCAA. Programleder
Fra grundlæggende til moderne arkitektur
-Emne 1. Computervision: opgaver, værktøjer og kursusprogram
-Emne 2. Konvolutionelle neurale netværk. Konvolutionsoperationer, transponeret foldning, træk
-Emne 3. Udvikling af foldningsnetværk: AlexNet->EfficientNet
-Emne 4.Dataforberedelse og -forøgelse
-Tema 5.OpenCV. Klassiske tilgange
-Emne 6. Standarddatasæt og modeller i PyTorch ved hjælp af eksemplet med Fine-tuning
-Emne 7. Standarddatasæt og modeller i TensorFlow ved hjælp af eksemplet med Transfer Learning-tilgangen
-Emne 8.TensorRT og inferens på serveren
Detektion, sporing, klassificering
-Emne 9. Objektdetektion 1. Problemformulering, målinger, data, R-CNN
-Emne 10. Objektdetektion 2. Maske-RCNN, YOLO, RetinaNet
-Emne 11.Landemærker: Ansigtsvartegn: PFLD, stablede timeglasnetværk(?), Deep Alignment Networks (DAN),
-Emne 12. Pose-estimering
-Tema 13.Ansigtsgenkendelse
-Emne 14.Objektsporing
Segmentering, generative modeller, arbejde med 3D og video
-Emne 15. Segmentering + 3D segmentering
-Emne 16. Netværksoptimeringsmetoder: beskæring, blanding, kvantisering
-Emne 17.Selvkørende / Autonomt køretøj
-Emne 18.Autoenkodere
-Emne 19. Arbejde med 3D-scener. PointNet
-Emne 20.GANs 1. Framework, betinget generering og super-opløsning
-Emne 21.GANs 2. Arkitektur oversigt
-Tema 22.Handlingsgenkendelse og 3d til video
Projekt arbejde
-Emne 23. Valg af emne og tilrettelæggelse af projektarbejdet
-Emne 24. Høring om projekter og lektier
-Emne 25.Beskyttelse af designarbejde