Computer Vision – kostenloser Kurs von Otus, Ausbildung 4 Monate, Datum: 5. Dezember 2023.
Verschiedenes / / December 08, 2023
Während des Kurses trainieren Sie neuronale Netze, um Probleme zu lösen:
- Klassifizierung und Segmentierung von Bildern
- Erkennung von Objekten in Bildern
- Verfolgung von Objekten auf Video
- Bearbeitung dreidimensionaler Szenen
- Generieren von Bildern und Angriffen auf trainierte neuronale Netzwerkmodelle
Außerdem erfahren Sie, wie Sie die wichtigsten Frameworks zum Erstellen neuronaler Netze verwenden: PyTorch, TensorFlow und Keras. Karte der Data Science-Kurse bei OTUS
Für wen ist dieser Kurs geeignet?
Für Experten im Bereich maschinelles Lernen, die:
- Sie möchten sich auf Computer Vision spezialisieren
- Sie nutzen bereits Deep-Learning-Praktiker und möchten Ihr Wissen erweitern und systematisieren
- Der Kurs ermöglicht Ihnen den Wechsel von klassischen maschinellen Lernaufgaben wie Kreditwürdigkeitsprüfung, CTR-Optimierung, Betrugserkennung usw usw. und steigen Sie in das sich entwickelnde Feld der Datenwissenschaft ein, wo derzeit die interessantesten Dinge passieren und sich neue Karrieren eröffnen Horizonte.
Die Schulung vermittelt Ihnen die notwendigen Kompetenzen, um sich für Stellen zu bewerben, die professionelle Fähigkeiten in der Entwicklung von Computer-Vision-Systemen erfordern. In verschiedenen Unternehmen werden Fachgebiete unterschiedlich bezeichnet, die gebräuchlichsten Optionen sind: Deep-Learning-Ingenieur, Computer Vision Engineer, KI-Forschungsingenieur [Computer Vision, maschinelles Lernen], Forschungsprogrammierer, Deep Learning/Computer Vision.
Wie unterscheidet sich der Kurs von anderen?
Vorbereitung auf die Lösung von Kampfmissionen: So starten Sie ein neuronales Netzwerk in der Cloud und passen das Modell für verschiedene Plattformen an
Fundierte Kenntnisse und moderne Ansätze zu Computer-Vision-Technologien
Abgeschlossene Projektarbeiten, die Ihrem Portfolio hinzugefügt werden können
Lustige Beispiele, eine Quelle voller Ideen und Cyberpunk-Universen zum Anfassen – 4 Monate vergehen wie im Flug!
Während des Kurses:
Sie arbeiten mit offenen Datensätzen für verschiedene Computer Vision-Aufgaben
Sie verstehen die Funktionsprinzipien und Optionen von Faltungs- und Pooling-Schichten, einschließlich derjenigen, die speziell für Objekterkennungs- und Segmentierungsaufgaben gelten.
Lernen Sie, Aufmerksamkeitsmechanismen in Faltungsnetzwerken anzuwenden.
Finden Sie heraus, welche Ideen modernen Faltungsnetzwerken zugrunde liegen (MobileNet, ResNet, EfficientNet usw.)
Sie werden DL-Ansätze zur Objekterkennung verstehen – studieren Sie die R-CNN-Familie, Echtzeitdetektoren: YOLO, SSD. Sie können einen Objektdetektor auch selbst implementieren.
Erfahren Sie, wie Sie das Deep Metric Learning-Problem mithilfe siamesischer Netzwerke lösen. Erfahren Sie, was Triplettverlust und Winkelverlust sind.
Sammeln Sie Erfahrungen bei der Lösung von Bildsegmentierungsproblemen: U-Net, DeepLab.
Lernen Sie, Feinabstimmungen anzuwenden, Lernen zu übertragen und Ihre eigenen Datensätze für Objekterkennung und Bildsegmentierung sowie metrische Lernaufgaben zu sammeln.
Sie arbeiten mit generativen kontradiktorischen Netzwerken. Verstehen Sie, wie GANs für gegnerische Angriffe verwendet werden können und wie Sie hochauflösende GANs implementieren.
Erfahren Sie, wie Sie Modelle auf dem Server ausführen (Tensorflow Serving, TFX). Machen Sie sich mit Frameworks zur Optimierung neuronaler Netze für die Inferenz auf mobilen/eingebetteten Geräten vertraut: Tensorflow Lite, TensorRT.
Entdecken Sie Architekturen zur Definition von Gesichtsorientierungspunkten: Kaskadenformregression, Deep Alignment Network, Stacked Hourglass Network
1
AlsoSie absolvierte den Masterstudiengang Quantitative Finance an der National Research University Higher School of Economics. Seit der Universität interessiert er sich für maschinelles Lernen und Deep-Learning-Probleme. Hat es geschafft, an verschiedenen Projekten zu arbeiten: Entwicklung einer Pipeline zur Erkennung und Erkennung von Gemälden; integriertes Erkennungsmodul...
Sie absolvierte den Masterstudiengang Quantitative Finance an der National Research University Higher School of Economics. Seit der Universität interessiert er sich für maschinelles Lernen und Deep-Learning-Probleme. Hat es geschafft, an verschiedenen Projekten zu arbeiten: Entwicklung einer Pipeline zur Erkennung und Erkennung von Gemälden; Integration eines Erkennungsmoduls in einen Prototyp eines automatischen Abfallsortierers unter Verwendung von ROS; eine Videoerkennungspipeline und viele andere gesammelt.
3
KursErfahrener Entwickler, Wissenschaftler und Experte für maschinelles/tiefes Lernen mit Erfahrung in Empfehlungssystemen. Er hat mehr als 30 wissenschaftliche Veröffentlichungen in Russisch und Fremdsprachen veröffentlicht, seine Doktorarbeit zum Thema Analyse verteidigt und...
Erfahrener Entwickler, Wissenschaftler und Experte für maschinelles/tiefes Lernen mit Erfahrung in Empfehlungssystemen. Er hat mehr als 30 wissenschaftliche Veröffentlichungen in Russisch und Fremdsprachen veröffentlicht und seine Doktorarbeit über die Analyse und Prognose von Zeitreihen verteidigt. Abschluss an der Fakultät für Informatik des Nationalen Forschungsuniversitätsinstituts für Energietechnik Moskau, wo er 2008. erhielt einen Bachelor-Abschluss, einen Master-Abschluss im Jahr 2010 und einen Kandidaten für technische Wissenschaften im Jahr 2014. Noch bevor ich mit der Arbeit an seiner Dissertation begann, interessierte ich mich für die Datenanalyse und entwickelte mich bei der Umsetzung meines ersten größeren Projekts vom einfachen Programmierer zum Leiter der Entwicklungsabteilung. Etwa zehn Jahre lang lehrte er als außerordentlicher Professor der Abteilung verwandte Disziplinen am Institut für Energietechnik der Nationalen Forschungsuniversität Moskau. Leitet Data-Science-Teams, die Projekte in den Bereichen NLP, RecSys, Time Series und Computer Vision Teacher entwickeln
2
KursExperte für Computer Vision und Deep Learning, zertifizierter Software-Ingenieur und Kandidat der physikalischen und mathematischen Wissenschaften. Von 2012 bis 2017 arbeitete er im Bereich Gesichtserkennung bei WalletOne, dessen Lösungen an Unternehmen in Südafrika geliefert wurden...
Experte für Computer Vision und Deep Learning, zertifizierter Software-Ingenieur und Kandidat der physikalischen und mathematischen Wissenschaften. Von 2012 bis 2017 arbeitete er im Bereich Gesichtserkennung bei WalletOne, dessen Lösungen an Unternehmen in Südafrika und Europa geliefert wurden. Teilnahme am Startup Mirror-AI, wo er das Computer-Vision-Team leitete. Im Jahr 2017 bestand das Startup Y-Combinator und erhielt Investitionen, um eine Anwendung zu erstellen, mit der der Benutzer seinen Avatar aus einem Selfie rekonstruieren kann. Im Jahr 2019 beteiligte er sich am HoloPortation-Projekt des britischen Startups Kazendi Ltd. Ziel des Projekts ist die Rekonstruktion von 3D-Avataren für HoloLens-Augmented-Reality-Brillen. Seit 2020 leitet er das Computer-Vision-Team des amerikanischen Startups Boost Inc., das sich für die NCAA mit Videoanalysen im Basketball beschäftigt. Progamm Manager
Von Basics bis hin zu modernen Architekturen
-Thema 1. Computer Vision: Aufgaben, Tools und Kursprogramm
-Thema 2. Faltungs-Neuronale Netze. Operationen der Faltung, transponierten Faltung, Ziehen
-Thema 3. Entwicklung von Faltungsnetzwerken: AlexNet->EfficientNet
-Thema 4. Datenvorbereitung und -erweiterung
-Thema 5.OpenCV. Klassische Ansätze
-Thema 6. Standarddatensätze und -modelle in PyTorch am Beispiel der Feinabstimmung
-Thema 7. Standarddatensätze und Modelle in TensorFlow am Beispiel des Transfer-Learning-Ansatzes
-Thema 8.TensorRT und Inferenz auf dem Server
Erkennung, Verfolgung, Klassifizierung
-Thema 9.Objekterkennung 1. Problemstellung, Metriken, Daten, R-CNN
-Thema 10.Objekterkennung 2. Mask-RCNN, YOLO, RetinaNet
-Thema 11. Orientierungspunkte: Gesichtsorientierungspunkte: PFLD, gestapelte Sanduhrnetzwerke (?), Deep Alignment Networks (DAN),
-Thema 12. Posenschätzung
-Thema 13. Gesichtserkennung
-Thema 14.Objektverfolgung
Segmentierung, generative Modelle, Arbeiten mit 3D und Video
-Thema 15. Segmentierung + 3D-Segmentierung
-Thema 16. Netzwerkoptimierungsmethoden: Beschneiden, Mixint, Quantisierung
-Thema 17. Selbstfahrendes / autonomes Fahrzeug
-Thema 18.Autoencoder
-Thema 19. Arbeiten mit 3D-Szenen. PointNet
-Thema 20.GANs 1. Framework, bedingte Generierung und Superauflösung
-Thema 21.GANs 2. Architekturübersicht
-Thema 22. Aktionserkennung und 3D für Video
Projektarbeit
-Thema 23. Themenauswahl und Organisation der Projektarbeit
-Thema 24. Beratung zu Projekten und Hausaufgaben
-Thema 25. Schutz von Designarbeiten