Računalni vid - besplatni tečaj iz Otusa, obuka 4 mjeseca, Datum: 05.12.2023.
Miscelanea / / December 08, 2023
Tijekom tečaja osposobit ćete neuronske mreže za rješavanje problema:
- klasifikacija i segmentacija slika
- otkrivanje objekata na slikama
- praćenje objekata na videu
- obrada trodimenzionalnih scena
- generiranje slika i napada na trenirane modele neuronske mreže
Također ćete naučiti kako koristiti glavne okvire za kreiranje neuronskih mreža: PyTorch, TensorFlow i Keras. Karta tečajeva Data Science na OTUS-u
Za koga je ovaj tečaj?
Za profesionalce strojnog učenja koji:
- Želite specijalizirati računalni vid
- Već koriste Deep Learning praktičare i žele proširiti i sistematizirati znanje
- Tečaj će vam omogućiti prijelaz s klasičnih zadataka strojnog učenja kao što su kreditno bodovanje, CTR optimizacija, otkrivanje prijevara i itd., i ući u područje znanosti o podacima u razvoju, gdje se sada događaju sve najzanimljivije stvari i otvaraju se nove karijere horizontima.
Obuka će vam dati potrebne kompetencije za prijavu na poslove koji zahtijevaju profesionalne vještine razvoja sustava računalnog vida. U različitim tvrtkama specijalnosti se nazivaju drugačije, a najčešće opcije su: inženjer dubokog učenja, računalo Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], znanstveni programer, Deep Learning/Computer Vizija.
Po čemu se tečaj razlikuje od ostalih?
Priprema za rješavanje borbenih misija: kako pokrenuti neuronsku mrežu u oblaku i prilagoditi model različitim platformama
Duboko znanje i suvremeni pristupi tehnologijama računalnog vida
Završeni projektni rad koji se može dodati u vaš portfelj
Smiješni primjeri, fontana ideja i cyberpunk svemiri na dohvat ruke - 4 mjeseca će proletjeti u jednom dahu!
Tijekom tečaja vi:
Radit ćete s otvorenim skupovima podataka za razne zadatke računalnog vida
Razumjet ćete principe rada i opcije konvolucijskih i skupnih slojeva, uključujući one specifične za zadatke otkrivanja objekata i segmentacije.
Naučiti primijeniti mehanizam pažnje u konvolucijskim mrežama.
Saznajte koje su ideje temelj modernih konvolucijskih mreža (MobileNet, ResNet, EfficientNet, itd.)
Razumjet ćete DL pristupe detekciji objekata - proučite obitelj R-CNN, detektore u stvarnom vremenu: YOLO, SSD. Također možete sami implementirati detektor objekata.
Naučite riješiti problem dubokog metričkog učenja pomoću sijamskih mreža. Naučite što su trostruki gubici i kutni gubici.
Steći iskustvo u rješavanju problema segmentacije slike: U-Net, DeepLab.
Naučite primijeniti fino podešavanje, prenijeti učenje i prikupiti vlastite skupove podataka za detekciju objekata i segmentaciju slike, zadatke učenja metrike.
Radit ćete s generativnim kontradiktornim mrežama. Shvatite kako se GAN-ovi mogu koristiti za kontradiktorne napade i kako implementirati GAN-ove super rezolucije.
Naučite pokretati modele na poslužitelju (tensorflow posluživanje, TFX). Upoznajte okvire za optimizaciju neuronskih mreža za zaključivanje na mobilnim/ugrađenim uređajima: Tensorflow Lite, TensorRT.
Istražite arhitekture za definiranje orijentira lica: kaskadna regresija oblika, mreža dubokog poravnanja, mreža naslaganog pješčanog sata
1
dobroZavršila je magistarski studij kvantitativnih financija na Nacionalnom istraživačkom sveučilištu Visoka ekonomska škola. Još od sveučilišta bio je zainteresiran za strojno učenje i probleme dubokog učenja. Uspio raditi na raznim projektima: razvio cjevovod za detekciju i prepoznavanje slika; integrirani modul za prepoznavanje...
Završila je magistarski studij kvantitativnih financija na Nacionalnom istraživačkom sveučilištu Visoka ekonomska škola. Još od sveučilišta bio je zainteresiran za strojno učenje i probleme dubokog učenja. Uspio raditi na raznim projektima: razvio cjevovod za detekciju i prepoznavanje slika; integrirao modul za prepoznavanje u prototip automatske razvrstivača otpada koji koristi ROS; prikupio cjevovod za prepoznavanje videa i mnoge druge.
3
tečajIskusni programer, znanstvenik i stručnjak za strojno/duboko učenje s iskustvom u sustavima preporuka. Ima više od 30 znanstvenih publikacija na ruskom i stranim jezicima, obranio je doktorsku disertaciju na temu analize i...
Iskusni programer, znanstvenik i stručnjak za strojno/duboko učenje s iskustvom u sustavima preporuka. Ima više od 30 znanstvenih publikacija na ruskom i stranim jezicima, a obranio je doktorsku disertaciju o analizi i predviđanju vremenskih serija. Diplomirao je na Fakultetu računarstva Moskovskog elektrotehničkog instituta Nacionalnog istraživačkog sveučilišta, gdje je 2008. diplomirao, magistrirao 2010., a 2014. kandidat tehničkih znanosti. Još prije početka rada na njegovom diplomskom radu zainteresirao sam se za analizu podataka i pri realizaciji svog prvog značajnijeg projekta prošao sam put od običnog programera do voditelja razvojnog odjela. Otprilike 10 godina predavao je srodne discipline na Moskovskom institutu za elektroenergetiku Nacionalnog istraživačkog sveučilišta, kao izvanredni profesor katedre. Vodi Data Science timove koji razvijaju projekte u području NLP-a, RecSys-a, Time Series-a i Computer Vision Teacher
2
tečajStručnjak za računalni vid i dubinsko učenje, certificirani softverski inženjer i kandidat fizikalnih i matematičkih znanosti. Od 2012. do 2017. radio je na prepoznavanju lica u tvrtki WalletOne, čija su rješenja opskrbljivana tvrtkama u Južnoj...
Stručnjak za računalni vid i dubinsko učenje, certificirani softverski inženjer i kandidat fizikalnih i matematičkih znanosti. Od 2012. do 2017. radio je na prepoznavanju lica u tvrtki WalletOne, čija su rješenja isporučivana tvrtkama u Južnoj Africi i Europi. Sudjelovao u startupu Mirror-AI, gdje je vodio tim za računalni vid. U 2017. startup je prošao Y-combinator i dobio investicije za izradu aplikacije u kojoj korisnik može rekonstruirati svoj avatar iz selfija. 2019. godine sudjelovao je u britanskom startupu Kazendi Ltd., u projektu HoloPortation. Cilj projekta je rekonstruirati 3D avatare za HoloLens naočale za proširenu stvarnost. Od 2020. godine vodi tim za računalni vid u američkom startupu Boost Inc., koji se za NCAA bavi videoanalitikom u košarci. Programski menadžer
Od osnova do modernih arhitektura
-Tema 1. Računalni vid: zadaci, alati i program kolegija
-Tema 2. Konvolucijske neuronske mreže. Operacije konvolucije, transponirana konvolucija, povlačenje
-Tema 3. Evolucija konvolucijskih mreža: AlexNet->EfficientNet
-Tema 4. Priprema i dopuna podataka
-Tema 5.OpenCV. Klasični pristupi
-Tema 6. Standardni skupovi podataka i modeli u PyTorchu na primjeru Fine-tuninga
-Tema 7. Standardni skupovi podataka i modeli u TensorFlowu na primjeru pristupa Transfer Learning
-Tema 8.TensorRT i zaključivanje na poslužitelju
Detekcija, praćenje, klasifikacija
-Tema 9. Detekcija objekata 1. Izjava problema, metrika, podaci, R-CNN
-Tema 10. Detekcija objekata 2. Maska-RCNN, YOLO, RetinaNet
-Tema 11. Orijentiri: Orijentiri lica: PFLD, naslagane mreže pješčanog sata(?), Mreže dubokog poravnanja (DAN),
-Tema 12. Procjena položaja
-Tema 13. Prepoznavanje lica
-Tema 14. Praćenje objekata
Segmentacija, generativni modeli, rad s 3D i videom
-Tema 15. Segmentacija + 3D segmentacija
-Tema 16. Metode mrežne optimizacije: obrezivanje, mixint, kvantizacija
-Tema 17. Samovozeće / Autonomno vozilo
-Tema 18. Autokoderi
-Tema 19. Rad s 3D scenama. PointNet
-Tema 20.GANs 1. Okvir, uvjetna generacija i super-razlučivost
-Tema 21.GANs 2. Pregled arhitekture
-Tema 22. Prepoznavanje radnji i 3d za video
Projektni rad
-Tema 23. Odabir teme i organizacija rada na projektu
-Tema 24. Konzultacije na projektima i domaćim zadaćama
-Tema 25. Zaštita projektantskog rada