Computer vision

При работе с моделями человек сталкивается с проблемами видов: ‘нехватка экспертизы’, ‘несовершенство набора данных’, ‘сложность в выборе стандартов и методов компьютерного зрения’.

Выдвигается гипотеза, что после 17 лекций ∪ определенного кол-ва часов практики ∪ курсового проекта человек сможет решить эти проблемы. Чтобы валидировать гипотезу — пожалуйста, проскролльте ниже, ознакомьтесь с деталями обучения и перейдите к этапу регистрации.

29 марта ↓ 7 июня

→29 марта — 7 июня

записаться

Евгения Сорока

Software Development Engineer в Amazon Web Services (г. Берлин)

ранее вела проекты по анализу изображений и телемедицине
разработала систему классификации продуктов с помощью сверточной нейронной сети в Zebra Technologies
классифицируется как магистр компьютерных наук Национального университета штата Нью-Йорк по параметру: защита работы по прогнозированию эмоций, вызванных изображениями
вместе с объединением людей вида ‘команда’ победила в хакатоне Hack@CEWIT’19

занятие 29.03

Computer Vision: начало работы

Изучите OR вспомните, какие задачи решаются с помощью компьютерного зрения. Приступите к работе: настройте базовую рабочую среду. Используйте язык Python, дистрибутив Anaconda, оболочку Jupyter и библиотеку OpenCV. Научитесь корректировать изображения с помощью OpenCV.

занятие 01.04

Базовые операции над изображениями

Для работы вам понадобится библиотеки NumPy и OpenCV. Смоделируйте, а после устраните шум в изображении. Примените операцию свертки. Модифицируйте изображение с помощью линейной фильтрации.

занятие 05.04

Классификация изображений

Освойте классификацию изображений с помощью метода k-ближайших соседей. Примените и интерпретируйте линейный классификатор.

занятие 08.04

Оптимизация обучения

Научитесь минимизировать ошибки при принятии решений на основе наблюдаемых данных. Примените классификаторы: Softmax, мультиклассовые машины. Перейдите к оптимизации обучения: настройте параметры модели машинного обучения с помощью стохастического градиентного спуска.

занятие 12.04

Нейронные сети: начало работы

Изучите составляющие компоненты нейросети. Научитесь строить персептроны, в т.ч. многослойные. Отрегулируйте веса нейронной сети с помощью метода поэтапного вычисления для обратного распространения ошибки. Извлеките признаки изображений и обучите на них классификатор.

занятие 22.04

Глубокое обучение

Изучите специфику аппаратного обеспечения для глубокого обучения: CPU, GPU, TPU. Зафиксируйте принципы и основные различия фреймворков PyTorch и TensorFlow. Научитесь разрабатывать модули нейронных сетей в перечисленных фреймворках.

занятие 26.04

Сверточные нейронные сети

Изучите детали архитектуры каждого из слоев сверточных нейронных сетей. Научитесь вычислять размеры слоев и количество параметров сети. Примените сверточные нейронные сети для задач компьютерного зрения.

занятие 29.04

Обучение нейронных сетей, часть 1

Освойте функцию активации для выделения признаков изображений. Примените методы предобработки и нормализации признаков изображения. Освойте обработку данных и трансферное обучение.

занятие 03.05

Обучение нейронных сетей, часть 2

Осознайте, как происходит обновление весов в нейросети. Научитесь настраивать гиперпараметры и планировать скорость обучение. Увеличьте набор данных с помощью трансформаций.

занятие 06.05

Популярные архитектуры сетей для задачи классификации

Осознайте, почему недостаточно сделать базовую нейронную сеть. Изучите существующие популярные архитектуры известных сверточных нейросетей для задач классификации.

занятие 10.05

Рекуррентные нейронные сети

Изучите основы и задачи рекуррентных нейронных сетей (RNN). Освойте подвиды ‘архитектура на основе долгой краткосрочной памяти (LSTM)’, ‘модель с вниманием’. Научитесь применять нейросети на пересечении областей зрения и языка для решения задачи вида: генерация описаний изображений.

занятие 13.05

Генеративные модели

Освойте следующие генеративные модели изображений: явные (PixelRNN, PixelCNN), неявные (вариационные автокодировщики, состязательные сети). Сгенерируйте изображение.

занятие 17.05

Распознавание и сегментация

Освойте метод, лежащий в основе нейросетей для распознавания объектов. Также освойте два вида сегментации: семантическую (разделение на пиксели) и сегментацию образов (выделение и классификация областей).

занятие 20.05

Визуализация и трактовка моделей

Освойте визуализацию и инверсию функций для трактовки результатов обучения модели. Создайте ложный пример для умышленного обмана нейросети и проверки корректности ее работы. Научитесь решать задачи трансфера стиля с исходного изображения на конечное.

занятие 24.05

Анализ видео

Перейдите на следующий уровень работы с компьютерным зрением: научитесь решать задачи представления движения и распознавания действий. Научитесь применять нейронные сети для 3D-свертки видео (сверточные и рекуррентные).

занятие 27.05

Внедрение моделей Computer Vision

Освойте фреймворки для внедрения моделей: Seldon, TF serving. Научитесь создавать сервис на основе натренированной модели, который будет работать на локальном сервере.

занятие 07.06

Презентация проекта

Убедитесь, что ваш проект соответствует требованию: применение сверточных нейросетей для решения выбранной задачи. Презентуйте проект.

методы
освоите несколько методов машинного обучения для классификации изображений и научитесь определять наиболее релевантный для задачи

нейросети
научитесь разрабатывать сверточные, рекуррентные и генеративные нейросети

модели
сможете обучать модели, трактовать натренированные модели и внедрять их в продакшн

DS / ML Engineer
Software Engineers
Data Engineers

ваши свойства

средний уровень владения питоном (Python)
основы высшей математики
опыт работы с машинным обучением

1. … курс не понравился – можно вернуть деньги.

2. … не подходит график занятий — уточните, когда будет следующий поток.

3. … вы пропустили занятие – сохраняется запись.

Зарегистрироваться

r_d