Datasyn - gratis kurs fra Otus, opplæring 4 måneder, Dato: 5. desember 2023.
Miscellanea / / December 08, 2023
I løpet av kurset vil du trene nevrale nettverk for å løse problemer:
- klassifisering og segmentering av bilder
- gjenkjenning av objekter i bilder
- sporing av objekter på video
- behandling av tredimensjonale scener
- generere bilder og angrep på trente nevrale nettverksmodeller
Du vil også lære hvordan du bruker hovedrammeverket for å lage nevrale nettverk: PyTorch, TensorFlow og Keras. Kart over datavitenskap-kurs ved OTUS
Hvem er dette kurset for?
For maskinlæringsfagfolk som:
- Ønsker å spesialisere deg innen datasyn
- Bruker allerede Deep Learning-utøvere og ønsker å utvide og systematisere kunnskap
- Kurset lar deg bytte fra klassiske maskinlæringsoppgaver som kredittscoring, CTR-optimalisering, svindeldeteksjon og osv., og gå inn i det utviklende feltet av datavitenskap, hvor alle de mest interessante tingene skjer nå og nye karrierer åpner seg horisonter.
Opplæringen vil gi deg den nødvendige kompetansen for å søke på jobber som krever profesjonelle ferdigheter i utvikling av datasynssystem. I forskjellige selskaper kalles spesialiteter annerledes, de vanligste alternativene er: Deep learning engineer, Computer Visjonsingeniør, AI-forskningsingeniør [Computer Vision, Machine Learning], forskningsprogrammerer, Deep Learning/Computer Syn.
Hvordan er kurset forskjellig fra andre?
Forberedelse til å løse kampoppdrag: hvordan starte et nevralt nettverk i skyen og tilpasse modellen for forskjellige plattformer
Dybdekunnskap og moderne tilnærminger til datasynsteknologier
Fullført prosjektarbeid som kan legges til din portefølje
Morsomme eksempler, en fontene av ideer og cyberpunk-universer til fingerspissene - 4 måneder vil fly avgårde i ett åndedrag!
I løpet av kurset:
Du vil jobbe med åpne datasett for ulike Computer Vision-oppgaver
Du vil forstå driftsprinsippene og alternativene for konvolusjons- og sammenslåingslag, inkludert de som er spesifikke for objektdeteksjons- og segmenteringsoppgaver.
Lær å bruke oppmerksomhetsmekanisme i konvolusjonelle nettverk.
Finn ut hvilke ideer som ligger til grunn for moderne konvolusjonelle nettverk (MobileNet, ResNet, EfficientNet, etc.)
Du vil forstå DL-tilnærminger til objektdeteksjon - studer R-CNN-familien, sanntidsdetektorer: YOLO, SSD. Du kan også implementere en objektdetektor selv.
Lær å løse problemet med Deep Metric Learning ved å bruke siamesiske nettverk. Lær hva tripletttap og vinkeltap er.
Få erfaring med å løse bildesegmenteringsproblemer: U-Net, DeepLab.
Lær å bruke finjustering, overføre læring og samle dine egne datasett for objektdeteksjon og bildesegmentering, metriske læringsoppgaver.
Du vil jobbe med generative kontradiktoriske nettverk. Forstå hvordan GAN-er kan brukes til motstridende angrep og hvordan du implementerer superoppløsnings-GAN-er.
Lær å kjøre modeller på serveren (tensorflow-servering, TFX). Bli kjent med rammeverk for å optimalisere nevrale nettverk for slutninger på mobile/innebygde enheter: Tensorflow Lite, TensorRT.
Utforsk arkitekturer for å definere ansiktslandemerker: kaskadeformregresjon, Deep Alignment Network, Stacked Hourglass Network
1
vi vilHun ble uteksaminert fra masterprogrammet i kvantitativ finans ved National Research University Higher School of Economics. Siden universitetet har han vært interessert i maskinlæring og dyplæringsproblemer. Klarte å jobbe med ulike prosjekter: utviklet en pipeline for deteksjon og gjenkjenning av malerier; integrert gjenkjenningsmodul...
Hun ble uteksaminert fra masterprogrammet i kvantitativ finans ved National Research University Higher School of Economics. Siden universitetet har han vært interessert i maskinlæring og dyplæringsproblemer. Klarte å jobbe med ulike prosjekter: utviklet en pipeline for deteksjon og gjenkjenning av malerier; integrert en gjenkjenningsmodul i en prototype av en automatisk avfallssorterer ved bruk av ROS; samlet en videogjenkjenningspipeline og mange andre.
3
kursErfaren utvikler, vitenskapsmann og maskin-/dyplæringsekspert med erfaring i anbefalingssystemer. Han har mer enn 30 vitenskapelige publikasjoner på russisk og fremmedspråk, forsvarte sin doktorgradsavhandling om emnet analyse og...
Erfaren utvikler, vitenskapsmann og maskin-/dyplæringsekspert med erfaring i anbefalingssystemer. Han har mer enn 30 vitenskapelige publikasjoner på russisk og fremmedspråk, og forsvarte sin doktorgradsavhandling om analyse og prognoser av tidsserier. Uteksaminert fra fakultetet for informatikk ved National Research University Moscow Power Engineering Institute, hvor i 2008. mottok en bachelorgrad, en mastergrad i 2010, og en kandidat fra tekniske vitenskaper i 2014. Allerede før jeg begynte å jobbe med avhandlingen, ble jeg interessert i dataanalyse, og da jeg implementerte mitt første betydelige prosjekt, gikk jeg fra en vanlig programmerer til leder for utviklingsavdelingen. I omtrent 10 år underviste han relaterte disipliner ved National Research University Moscow Power Engineering Institute, og var førsteamanuensis ved avdelingen. Leder datavitenskapsteam som utvikler prosjekter innen NLP, RecSys, Time Series og Computer Vision Teacher
2
kursEkspert i datasyn og dyp læring, sertifisert programvareingeniør og kandidat for fysiske og matematiske vitenskaper. Fra 2012 til 2017 jobbet han med ansiktsgjenkjenning hos WalletOne, hvis løsninger ble levert til bedrifter i Sør...
Ekspert i datasyn og dyp læring, sertifisert programvareingeniør og kandidat for fysiske og matematiske vitenskaper. Fra 2012 til 2017 jobbet han med ansiktsgjenkjenning hos WalletOne, hvis løsninger ble levert til bedrifter i Sør-Afrika og Europa. Deltok i oppstarten Mirror-AI, hvor han ledet datasynsteamet. I 2017 passerte oppstarten Y-combinator og mottok investeringer for å lage en applikasjon der brukeren kan rekonstruere avataren sin fra en selfie. I 2019 deltok han i den britiske oppstarten Kazendi Ltd., i HoloPortation-prosjektet. Målet med prosjektet er å rekonstruere 3D-avatarer for HoloLens augmented reality-briller. Siden 2020 har han ledet datasynsteamet ved den amerikanske oppstarten Boost Inc., som driver med videoanalyse i basketball for NCAA. Programleder
Fra grunnleggende til moderne arkitektur
-Tema 1. Datasyn: oppgaver, verktøy og kursprogram
-Tema 2. Konvolusjonelle nevrale nettverk. Konvolusjonsoperasjoner, transponert konvolusjon, trekking
-Tema 3. Evolusjon av konvolusjonelle nettverk: AlexNet->EfficientNet
-Tema 4.Data forberedelse og utvidelse
-Tema 5.OpenCV. Klassiske tilnærminger
-Tema 6. Standard datasett og modeller i PyTorch ved å bruke eksempelet med Finjustering
-Tema 7. Standard datasett og modeller i TensorFlow ved å bruke eksemplet på Transfer Learning-tilnærmingen
-Tema 8.TensorRT og slutning på serveren
Deteksjon, sporing, klassifisering
-Tema 9. Objektdeteksjon 1. Problemstilling, beregninger, data, R-CNN
-Emne 10. Objektdeteksjon 2. Mask-RCNN, YOLO, RetinaNet
-Tema 11.Landemerker: Ansiktslandemerker: PFLD, stablede timeglassnettverk(?), Deep Alignment Networks (DAN),
-Tema 12. Pose-estimering
-Tema 13.Ansiktsgjenkjenning
-Tema 14.Objektsporing
Segmentering, generative modeller, arbeid med 3D og video
-Tema 15. Segmentering + 3D-segmentering
-Tema 16. Nettverksoptimaliseringsmetoder: beskjæring, blanding, kvantisering
-Tema 17.Selvkjørende / Autonomt kjøretøy
-Tema 18.Autoenkodere
-Tema 19. Arbeide med 3D-scener. PointNet
-Emne 20.GANs 1. Rammeverk, betinget generering og superoppløsning
-Emne 21.GANs 2. Arkitektur oversikt
-Tema 22.Handlingsgjenkjenning og 3d for video
Prosjekt arbeid
-Tema 23. Valg av tema og organisering av prosjektarbeid
-Tema 24. Høring om prosjekter og lekser
-Tema 25.Beskyttelse av prosjekteringsarbeid