Computer vision - δωρεάν μάθημα από την Otus, εκπαίδευση 4 μηνών, Ημερομηνία: 5 Δεκεμβρίου 2023.
μικροαντικείμενα / / December 08, 2023
Κατά τη διάρκεια του μαθήματος, θα εκπαιδεύσετε νευρωνικά δίκτυα για την επίλυση προβλημάτων:
- ταξινόμηση και τμηματοποίηση εικόνων
- ανίχνευση αντικειμένων σε εικόνες
- παρακολούθηση αντικειμένων σε βίντεο
- επεξεργασία τρισδιάστατων σκηνών
- δημιουργία εικόνων και επιθέσεων σε εκπαιδευμένα μοντέλα νευρωνικών δικτύων
Θα μάθετε επίσης πώς να χρησιμοποιείτε τα κύρια πλαίσια για τη δημιουργία νευρωνικών δικτύων: PyTorch, TensorFlow και Keras. Χάρτης μαθημάτων Επιστήμης Δεδομένων στο OTUS
Σε ποιους απευθύνεται αυτό το μάθημα;
Για επαγγελματίες μηχανικής μάθησης που:
- Θέλετε να ειδικευτείτε στο Computer Vision
- Χρησιμοποιεί ήδη επαγγελματίες Deep Learning και θέλει να επεκτείνει και να συστηματοποιήσει τη γνώση
- Το μάθημα θα σας επιτρέψει να μεταβείτε από τις κλασικές εργασίες μηχανικής μάθησης, όπως η βαθμολογία πιστώσεων, η βελτιστοποίηση CTR, ο εντοπισμός απάτης και κ.λπ., και μπείτε στον αναπτυσσόμενο τομέα της Επιστήμης Δεδομένων, όπου συμβαίνουν όλα τα πιο ενδιαφέροντα πράγματα τώρα και ανοίγονται νέες σταδιοδρομίες ορίζοντες.
Η εκπαίδευση θα σας δώσει τις απαραίτητες ικανότητες για να κάνετε αίτηση για θέσεις εργασίας που απαιτούν επαγγελματικές δεξιότητες ανάπτυξης συστημάτων όρασης υπολογιστή. Σε διαφορετικές εταιρείες, οι ειδικότητες ονομάζονται διαφορετικά, οι πιο συνηθισμένες επιλογές είναι: Μηχανικός Deep Learning, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], ερευνητικός προγραμματιστής, Deep Learning/Computer Οραμα.
Σε τι διαφέρει το μάθημα από άλλα;
Προετοιμασία για την επίλυση αποστολών μάχης: πώς να εκκινήσετε ένα νευρωνικό δίκτυο στο cloud και να προσαρμόσετε το μοντέλο για διαφορετικές πλατφόρμες
Σε βάθος γνώση και σύγχρονες προσεγγίσεις στις τεχνολογίες Computer vision
Ολοκληρωμένη εργασία που μπορεί να προστεθεί στο χαρτοφυλάκιό σας
Αστεία παραδείγματα, ένα σιντριβάνι ιδεών και σύμπαντα cyberpunk στα χέρια σας - 4 μήνες θα πετάξουν σε μια ανάσα!
Κατά τη διάρκεια του μαθήματος:
Θα εργαστείτε με ανοιχτά σύνολα δεδομένων για διάφορες εργασίες Computer Vision
Θα κατανοήσετε τις αρχές λειτουργίας και τις επιλογές των συνελικτικών και ομαδοποιημένων επιπέδων, συμπεριλαμβανομένων εκείνων που είναι ειδικά για εργασίες ανίχνευσης και τμηματοποίησης αντικειμένων.
Μάθετε να εφαρμόζετε τον μηχανισμό προσοχής σε συνελικτικά δίκτυα.
Μάθετε ποιες ιδέες βρίσκονται κάτω από τα σύγχρονα συνελικτικά δίκτυα (MobileNet, ResNet, EfficientNet, κ.λπ.)
Θα κατανοήσετε προσεγγίσεις DL για την ανίχνευση αντικειμένων - μελετήστε την οικογένεια R-CNN, ανιχνευτές σε πραγματικό χρόνο: YOLO, SSD. Μπορείτε επίσης να εφαρμόσετε έναν ανιχνευτή αντικειμένων μόνοι σας.
Μάθετε να επιλύετε το πρόβλημα της εκμάθησης βαθιάς μέτρησης χρησιμοποιώντας σιαματικά δίκτυα. Μάθετε τι είναι η απώλεια τριπλής και η γωνιακή απώλεια.
Αποκτήστε εμπειρία στην επίλυση προβλημάτων τμηματοποίησης εικόνων: U-Net, DeepLab.
Μάθετε να εφαρμόζετε λεπτομερή συντονισμό, να μεταφέρετε εκμάθηση και να συλλέγετε τα δικά σας σύνολα δεδομένων για ανίχνευση αντικειμένων και τμηματοποίηση εικόνας, εργασίες εκμάθησης μετρήσεων.
Θα συνεργαστείτε με δίκτυα αντιπάλου που δημιουργούνται. Κατανοήστε πώς τα GAN μπορούν να χρησιμοποιηθούν για επιθέσεις αντιπάλου και πώς να εφαρμόσετε τα GAN super ανάλυσης.
Μάθετε να εκτελείτε μοντέλα στον διακομιστή (serving tensorflow, TFX). Εξοικειωθείτε με πλαίσια για τη βελτιστοποίηση νευρωνικών δικτύων για συμπεράσματα σε κινητές/ενσωματωμένες συσκευές: Tensorflow Lite, TensorRT.
Εξερευνήστε αρχιτεκτονικές για τον καθορισμό σημείων προσώπου: Παλινδρόμηση σχήματος καταρράκτη, Δίκτυο βαθιάς ευθυγράμμισης, στοιβαγμένο δίκτυο κλεψύδρας
1
ΚαλάΑποφοίτησε από το μεταπτυχιακό πρόγραμμα στα ποσοτικά χρηματοοικονομικά στην Ανώτατη Οικονομική Σχολή του Εθνικού Ερευνητικού Πανεπιστημίου. Από το πανεπιστήμιο ενδιαφέρεται για τη μηχανική μάθηση και τα προβλήματα βαθιάς μάθησης. Κατάφερε να εργαστεί σε διάφορα έργα: ανέπτυξε έναν αγωγό για την ανίχνευση και την αναγνώριση έργων ζωγραφικής. ενσωματωμένη μονάδα αναγνώρισης...
Αποφοίτησε από το μεταπτυχιακό πρόγραμμα στα ποσοτικά χρηματοοικονομικά στην Ανώτατη Οικονομική Σχολή του Εθνικού Ερευνητικού Πανεπιστημίου. Από το πανεπιστήμιο ενδιαφέρεται για τη μηχανική μάθηση και τα προβλήματα βαθιάς μάθησης. Κατάφερε να εργαστεί σε διάφορα έργα: ανέπτυξε έναν αγωγό για την ανίχνευση και την αναγνώριση έργων ζωγραφικής. ενσωμάτωσε μια μονάδα αναγνώρισης σε ένα πρωτότυπο ενός αυτόματου διαλογέα απορριμμάτων χρησιμοποιώντας ROS. συνέλεξε έναν αγωγό αναγνώρισης βίντεο και πολλά άλλα.
3
σειρά μαθημάτωνΈμπειρος προγραμματιστής, επιστήμονας και εμπειρογνώμονας Machine/Deep Learning με εμπειρία σε συστήματα συστάσεων. Έχει περισσότερες από 30 επιστημονικές δημοσιεύσεις στα ρωσικά και ξένες γλώσσες, υπερασπίστηκε τη διδακτορική του διατριβή με θέμα την ανάλυση και...
Έμπειρος προγραμματιστής, επιστήμονας και εμπειρογνώμονας Machine/Deep Learning με εμπειρία σε συστήματα συστάσεων. Έχει περισσότερες από 30 επιστημονικές δημοσιεύσεις στα ρωσικά και ξένες γλώσσες και υπερασπίστηκε τη διδακτορική του διατριβή σχετικά με την ανάλυση και την πρόβλεψη χρονοσειρών. Αποφοίτησε από τη Σχολή Επιστήμης Υπολογιστών του Εθνικού Ερευνητικού Πανεπιστημίου της Μόσχας, όπου το 2008. έλαβε πτυχίο, μεταπτυχιακό το 2010 και υποψήφιο τεχνικών επιστημών το 2014. Ακόμη και πριν ξεκινήσω την εργασία για τη διατριβή του, άρχισα να ενδιαφέρομαι για την ανάλυση δεδομένων και, όταν υλοποίησα το πρώτο μου σημαντικό έργο, από συνηθισμένος προγραμματιστής έγινα επικεφαλής του τμήματος ανάπτυξης. Για περίπου 10 χρόνια δίδαξε συναφείς κλάδους στο Εθνικό Ερευνητικό Πανεπιστήμιο της Μόσχας Ινστιτούτο Ηλεκτρομηχανικής, ως αναπληρωτής καθηγητής του τμήματος. Οδηγεί ομάδες Επιστήμης Δεδομένων που αναπτύσσουν έργα στον τομέα του NLP, RecSys, Time Series και Computer Vision Teacher
2
σειρά μαθημάτωνΕιδικός στην όραση υπολογιστών και τη βαθιά μάθηση, πιστοποιημένος μηχανικός λογισμικού και υποψήφιος φυσικομαθηματικών επιστημών. Από το 2012 έως το 2017, εργάστηκε στην αναγνώριση προσώπου στην WalletOne, οι λύσεις της οποίας προμηθεύονταν σε επιχειρήσεις στη Νότια...
Ειδικός στην όραση υπολογιστών και τη βαθιά μάθηση, πιστοποιημένος μηχανικός λογισμικού και υποψήφιος φυσικομαθηματικών επιστημών. Από το 2012 έως το 2017, εργάστηκε στην αναγνώριση προσώπου στην WalletOne, οι λύσεις της οποίας προμηθεύονταν σε επιχειρήσεις στη Νότια Αφρική και την Ευρώπη. Συμμετείχε στην startup Mirror-AI, όπου ηγήθηκε της ομάδας υπολογιστών vision. Το 2017, η startup πέρασε το Y-combinator και έλαβε επενδύσεις για να δημιουργήσει μια εφαρμογή στην οποία ο χρήστης μπορεί να ανακατασκευάσει το avatar του από μια selfie. Το 2019 συμμετείχε στη βρετανική startup Kazendi Ltd., στο έργο HoloPortation. Ο στόχος του έργου είναι η ανακατασκευή τρισδιάστατων avatars για γυαλιά επαυξημένης πραγματικότητας HoloLens. Από το 2020, ηγείται της ομάδας υπολογιστικής όρασης στην αμερικανική startup Boost Inc., η οποία ασχολείται με την ανάλυση βίντεο στο μπάσκετ για το NCAA. ΔΙΑΧΕΙΡΙΣΤΗΣ προγράμματος
Από τις βασικές μέχρι τις σύγχρονες αρχιτεκτονικές
-Θέμα 1. Υπολογιστική όραση: εργασίες, εργαλεία και πρόγραμμα μαθημάτων
-Θέμα 2. Συνελικτικά νευρωνικά δίκτυα. Λειτουργίες συνέλιξης, μεταφερόμενη συνέλιξη, τράβηγμα
-Θέμα 3. Εξέλιξη συνελικτικών δικτύων: AlexNet->EfficientNet
-Θέμα 4.Προετοιμασία και επαύξηση δεδομένων
-Θέμα 5.OpenCV. Κλασικές προσεγγίσεις
-Θέμα 6. Τυπικά σύνολα δεδομένων και μοντέλα στο PyTorch χρησιμοποιώντας το παράδειγμα του Fine-tuning
-Θέμα 7. Τυπικά σύνολα δεδομένων και μοντέλα στο TensorFlow χρησιμοποιώντας το παράδειγμα της προσέγγισης Transfer Learning
-Θέμα 8.TensorRT και συμπέρασμα στον διακομιστή
Ανίχνευση, παρακολούθηση, ταξινόμηση
-Θέμα 9. Ανίχνευση αντικειμένων 1. Δήλωση προβλήματος, μετρήσεις, δεδομένα, R-CNN
-Θέμα 10. Ανίχνευση αντικειμένων 2. Mask-RCNN, YOLO, RetinaNet
-Θέμα 11. Ορόσημα: Ορόσημα προσώπου: PFLD, στοιβαγμένα δίκτυα κλεψύδρας(?), Δίκτυα βαθιάς ευθυγράμμισης (DAN),
-Θέμα 12. Εκτίμηση πόζας
-Θέμα 13.Αναγνώριση προσώπου
-Θέμα 14.Παρακολούθηση αντικειμένων
Τμηματοποίηση, παραγωγικά μοντέλα, εργασία με 3D και βίντεο
-Θέμα 15. Τμηματοποίηση + 3D κατάτμηση
-Θέμα 16. Μέθοδοι βελτιστοποίησης δικτύου: κλάδεμα, μίξη, κβαντοποίηση
-Θέμα 17.Αυτοοδήγηση / Αυτόνομο Όχημα
-Θέμα 18.Αυτοκωδικοποιητές
-Θέμα 19. Εργασία με τρισδιάστατες σκηνές. PointNet
-Θέμα 20.GANs 1. Πλαίσιο, παραγωγή υπό όρους και υπερ-ανάλυση
-Θέμα 21.GANs 2. Επισκόπηση αρχιτεκτονικής
-Θέμα 22.Αναγνώριση δράσης και 3d για βίντεο
Εργασία έργου
-Θέμα 23. Επιλογή θέματος και οργάνωση εργασιών έργου
-Θέμα 24. Διαβούλευση για έργα και εργασίες για το σπίτι
-Θέμα 25.Προστασία μελετητικών εργασιών