Курс Комп’ютерний зір

Мова викладання в курсі – російська. Незабаром буде доступна українська версія цього курсу.

Відеозаписи лекцій без зворотного зв’язку та участі викладача. Ви отримаєте доступ до матеріалів одразу після оплати.

Що дасть вам цей курс

Ви опануєте принципи машинного навчання в галузі комп’ютерного зору та зможете розв’язувати індустріальні завдання, використовуючи відкриті датасети.
Під час курсу ви навчите нейромережі для розв’язання завдань:

– класифікації та сегментації зображень
– детекції об’єктів на зображеннях
– відстеження об’єктів на відео
– опрацювання тривимірних сцен
– породження зображень і атаки на навчені моделі нейронних мереж.

Також ви навчитеся користуватися основними фреймворками для створення нейромереж: PyTorch, TensorFlow і Keras.

Для кого цей курс?

Для фахівців у сфері Machine Learning, які

– Хочуть спеціалізуватися на Комп’ютерному зорі
– Уже використовують практики Deep Learning і хочуть розширити та систематизувати знання

Курс дасть змогу переключитися з класичних завдань машинного навчання, як-от кредитний скоринг, оптимізація CTR, детекція фрода тощо, і потрапити в сферу Data Science, яка розвивається, де зараз відбувається все найцікавіше і відкриваються нові кар’єрні горизонти.

Навчання дасть вам необхідні компетенції, щоб претендувати на спеціальності, що вимагають професійних навичок розробки систем комп’ютерного зору. У різних компаніях спеціальності називаються по-різному, найпоширеніші варіанти: Deep learning engineer, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], програміст-дослідник, Deep Learning/Computer Vision.

Під час курсу ви:

– Будете працювати з відкритими датасетами для різних завдань Computer Vision
– Розберетеся в принципах роботи і варіантах згорткових і пулінг-шару, зокрема, специфічних для завдань детекції та сегментації об’єктів.
– Навчитеся застосовувати механізм уваги в згорткових мережах.
– Дізнаєтеся, які ідеї лежать в основі сучасних згорткових мереж (MobileNet, ResNet, EfficientNet, etc.)
– Розберетеся в DL-підходах до детекції об’єктів – вивчіть сімейство R-CNN, реалтайм-детектори: YOLO, SSD. А також реалізуєте детектор об’єктів самостійно.
– Навчитеся вирішувати задачу Deep Metric Learning за допомогою сіамських мереж. Дізнаєтеся, що таке triplet loss, angular loss.
– Отримаєте досвід у розв’язанні задачі сегментації зображень: U-Net, DeepLab.
– Навчитеся застосовувати fine tuning, transfer learning і збирати власні датасети для задач object detection і Image segmentation, metric learning.
– Будете працювати з генеративними змагальними мережами. Зрозумієте, як можна використовувати GANs для змагальних атак і як реалізувати super resolution GANs.
– Навчитеся запускати моделі на сервері (tensorflow serving, TFX). Познайомитеся з фреймворками для оптимізації нейромереж для інференсу на мобільних/embedded-пристроях: Tensorflow Lite, TensorRT.
– Вивчіть архітектури для визначення Facial Landmarks: Cascade shape regression, Deep Alignment Network, Stacked Hourglass Network.

Необхідні знання

– Основи мат. аналізу, лінійної алгебри, теорії ймовірностей і мат. статистики, метод зворотного розповсюдження.
– Основи програмування Python.
– Знання, як влаштовано базові архітектури й шари нейронних мереж (згорткові/рекурентні мережі, батч-нормалізація, сіамські мережі тощо).

Програма навчання:

1 Сучасні архітектури та робота з зданими

Комп’ютерний зір: задачі, інструменти та програма курсу
Еволюція згорткових мереж: AlexNet -> ResNetX
Стандартні датасети та моделі в Tensorflow на прикладі підходу TransferLearning
Стандартні датасети та моделі в PyTorch на прикладі Fine-tuning
Підготовка та аугментація даних
Увага в згорткових мережах.Анотація

2 Детекція об’єктів і робота з відео

Класичні підходи до CV, робота з OpenCV
Objectdetection 1. RCNN, FastRCNN, FasterRCNN
Objectdetection 2. YOLO, Single-Shot Detector
Landmarks: Cascade shape regression, Deep Alignment Network,Stacked Hourglass Network та інші
Робота з відео. Object tracking
Інференс на сервері

3 Сегментація і не тільки

Сегментація 1. U-net
Сегментація 2. DeepLab
GANs, super-resolution, adversarial attack
Працюємо з 3D сценами. PointNet.
TensorRT. Адаптуємо модель до девайса

4 Проектна робота

Консультація щодо проєкту
Консультація щодо проєкту
Проєктна робота