Arvutinägemine - tasuta kursus Otust, koolitus 4 kuud, Kuupäev: 05.12.2023.
Varia / / December 08, 2023
Kursusel koolitate närvivõrke probleemide lahendamiseks:
- piltide klassifitseerimine ja segmenteerimine
- objektide tuvastamine piltidel
- objektide jälgimine videol
- kolmemõõtmeliste stseenide töötlemine
- piltide ja rünnakute genereerimine koolitatud närvivõrgu mudelite vastu
Samuti saate teada, kuidas kasutada peamisi raamistikke närvivõrkude loomiseks: PyTorch, TensorFlow ja Keras. OTUS andmeteaduse kursuste kaart
Kellele see kursus on mõeldud?
Masinõppe professionaalidele, kes:
- Tahad spetsialiseeruda arvutinägemisele
- Kasutad juba süvaõppe praktikuid ning soovid teadmisi laiendada ja süstematiseerida
- Kursus võimaldab teil üle minna klassikalistelt masinõppeülesannetelt, nagu krediidipunktide hindamine, CTR-i optimeerimine, pettuste tuvastamine ja jne ning pääseda arenevasse andmeteaduse valdkonda, kus praegu toimub kõik kõige huvitavam ja avanevad uued karjäärid silmaringi.
Koolitus annab vajalikud kompetentsid kandideerimaks töödele, mis nõuavad professionaalset arvutinägemissüsteemi arendamise oskust. Erinevates ettevõtetes nimetatakse erialasid erinevalt, levinumad valikud on: Süvaõppe insener, Arvuti Nägemisinsener, AI uurimisinsener [arvutinägemine, masinõpe], programmeerija, süvaõpe/arvuti Nägemus.
Mille poolest erineb kursus teistest?
Ettevalmistus lahingumissioonide lahendamiseks: kuidas käivitada pilves närvivõrk ja kohandada mudelit erinevatele platvormidele
Põhjalikud teadmised ja kaasaegsed lähenemised arvutinägemise tehnoloogiatele
Valmis projektitööd, mida saab lisada oma portfooliosse
Naljakad näited, ideede allikas ja küberpungi universumid käeulatuses – 4 kuud lendab ühe hingetõmbega!
Kursuse ajal sa:
Töötate erinevate arvutinägemise ülesannete jaoks avatud andmekogumitega
Saate aru konvolutsiooni- ja koondamiskihtide tööpõhimõtetest ja valikutest, sealhulgas objektide tuvastamise ja segmenteerimise ülesannete spetsiifilistest.
Õppige rakendama tähelepanumehhanismi konvolutsioonivõrkudes.
Uurige, millised ideed on kaasaegsete konvolutsioonivõrkude (MobileNet, ResNet, EfficientNet jne) aluseks.
Saate aru DL-meetoditest objektide tuvastamisel – uurige R-CNN-i perekonda, reaalajas detektoreid: YOLO, SSD. Objektidetektori saate ka ise rakendada.
Õppige lahendama süvameetrilise õppimise probleemi, kasutades siiami võrke. Siit saate teada, mis on kolmiku kadu ja nurga kadu.
Omandada kogemusi piltide segmenteerimise probleemide lahendamisel: U-Net, DeepLab.
Õppige rakendama peenhäälestust, õpet üle kandma ja koguma oma andmekogumeid objektide tuvastamiseks ja kujutise segmenteerimiseks ning meetermõõdustiku õppeülesanneteks.
Töötate generatiivsete võistlevate võrgustikega. Saate aru, kuidas GAN-e saab kasutada võistlevateks rünnakuteks ja kuidas rakendada ülieraldusvõimega GAN-e.
Õppige serveris mudeleid käivitama (tensorflow serving, TFX). Tutvuge raamistikega närvivõrkude optimeerimiseks, et teha järeldusi mobiil-/manusseadmetes: Tensorflow Lite, TensorRT.
Avastage näo maamärkide määratlemise arhitektuure: kaskaadkujuline regressioon, sügav joondusvõrk, virnastatud liivakellavõrk
1
hästiTa on lõpetanud riikliku teadusülikooli majanduskõrgkooli kvantitatiivse rahanduse magistriõppe. Alates ülikoolist on teda huvitanud masinõpe ja süvaõppe probleemid. Õnnestus töötada erinevate projektidega: töötas välja maalide tuvastamise ja äratundmise torustiku; integreeritud tuvastusmoodul...
Ta on lõpetanud riikliku teadusülikooli majanduskõrgkooli kvantitatiivse rahanduse magistriõppe. Alates ülikoolist on teda huvitanud masinõpe ja süvaõppe probleemid. Õnnestus töötada erinevate projektidega: töötas välja maalide tuvastamise ja äratundmise torustiku; integreeriti tuvastusmoodul ROS-i kasutava automaatse jäätmesorteerija prototüüpi; kogus videotuvastustoru ja palju muud.
3
muidugiKogenud arendaja, teadlane ja masin/sügavõppe ekspert, kellel on kogemusi soovitussüsteemidega. Tal on enam kui 30 vene- ja võõrkeelset teaduspublikatsiooni, ta on kaitsnud analüüsiteemalise doktoritöö ja...
Kogenud arendaja, teadlane ja masin/sügavõppe ekspert, kellel on kogemusi soovitussüsteemidega. Tal on üle 30 vene- ja võõrkeelse teaduspublikatsiooni ning ta kaitses doktoritöö aegridade analüüsist ja prognoosimisest. Lõpetanud Moskva Riikliku Uurimisülikooli Energeetikainstituudi arvutiteaduse teaduskonna, kus 2008. a. omandas bakalaureusekraadi, 2010. aastal magistrikraadi ja 2014. aastal tehnikateaduste kandidaat. Juba enne tema lõputööga tegelema asumist tekkis mul huvi andmeanalüüsi vastu ning oma esimest märkimisväärset projekti ellu viies läksin tavalisest programmeerijast arendusosakonna juhatajaks. Umbes 10 aastat õpetas ta seotud erialasid Moskva Riikliku Uurimisülikooli Energeetikainstituudis, olles osakonna dotsent. Juhib andmeteaduse meeskondi, kes arendavad projekte NLP, RecSysi, aegridade ja arvutinägemise õpetaja valdkonnas
2
muidugiArvutinägemise ja süvaõppe ekspert, sertifitseeritud tarkvarainsener ning füüsika- ja matemaatikateaduste kandidaat. Aastatel 2012–2017 töötas ta näotuvastusega ettevõttes WalletOne, mille lahendusi tarniti Lõuna-...
Arvutinägemise ja süvaõppe ekspert, sertifitseeritud tarkvarainsener ning füüsika- ja matemaatikateaduste kandidaat. Aastatel 2012–2017 töötas ta näotuvastusega ettevõttes WalletOne, mille lahendusi tarniti Lõuna-Aafrika ja Euroopa ettevõtetele. Osales startupis Mirror-AI, kus juhtis arvutinägemise meeskonda. 2017. aastal läbis startup Y-kombinaatori ja sai investeeringuid, et luua rakendus, milles kasutaja saab selfie põhjal oma avatari rekonstrueerida. 2019. aastal osales ta Briti startupis Kazendi Ltd., projektis HoloPortation. Projekti eesmärk on rekonstrueerida HoloLensi liitreaalsusprillide 3D-avatarid. Alates 2020. aastast juhib ta arvutinägemise meeskonda Ameerika idufirmas Boost Inc., mis tegeleb NCAA korvpalli videoanalüütikaga. Programmijuht
Põhitõdedest kaasaegse arhitektuurini
-Teema 1. Arvutinägemine: ülesanded, tööriistad ja kursuse programm
-Teema 2. Konvolutsioonilised närvivõrgud. Tehted konvolutsioon, transponeeritud konvolutsioon, tõmbamine
-Teema 3. Konvolutsioonivõrkude evolutsioon: AlexNet->EfficientNet
-Teema 4.Andmete ettevalmistamine ja täiendamine
-Teema 5.OpenCV. Klassikalised lähenemised
-Teema 6. PyTorchi standardsed andmekogumid ja mudelid peenhäälestuse näitel
-Teema 7. TensorFlow standardsed andmekogumid ja mudelid, kasutades ülekande õppimise lähenemisviisi
-Teema 8.TensorRT ja järeldused serveris
Tuvastamine, jälgimine, klassifitseerimine
-Teema 9.Objektide tuvastamine 1. Probleemi avaldus, mõõdikud, andmed, R-CNN
-Teema 10.Objektide tuvastamine 2. Mask-RCNN, YOLO, RetinaNet
-Teema 11. Maamärgid: näo maamärgid: PFLD, virnastatud liivakellavõrgud(?), sügavjoondusvõrgud (DAN),
-Teema 12. Poosi hindamine
-Teema 13.Näotuvastus
-Teema 14.Objektide jälgimine
Segmenteerimine, generatiivsed mudelid, töö 3D ja videoga
-Teema 15. Segmenteerimine + 3D segmenteerimine
-Teema 16.Võrgu optimeerimise meetodid: pügamine, mixint, kvantimine
-Teema 17.Isejuhtimine / Autonoomne sõiduk
-Teema 18. Autoencoders
-Teema 19. Töö 3D-stseenidega. PointNet
-Teema 20.GAN-id 1. Raam, tingimuslik genereerimine ja ülilahutusvõime
-Teema 21.GAN-id 2. Arhitektuuri ülevaade
-Teema 22. Tegevuse tuvastamine ja 3D video jaoks
Projektitöö
-Teema 23. Teema valik ja projektitöö korraldus
-Teema 24. Projektide ja kodutööde konsultatsioon
-Teema 25.Projekteerimistööde kaitsmine