Računalniški vid - brezplačen tečaj pri Otusu, izobraževanje 4 mesece, datum: 5. december 2023.
Miscellanea / / December 08, 2023
Med tečajem boste učili nevronske mreže za reševanje problemov:
- klasifikacija in segmentacija slik
- zaznavanje objektov na slikah
- sledenje predmetov na videu
- obdelava tridimenzionalnih prizorov
- generiranje slik in napadi na izurjene modele nevronske mreže
Naučili se boste tudi, kako uporabljati glavna ogrodja za ustvarjanje nevronskih mrež: PyTorch, TensorFlow in Keras. Zemljevid tečajev Data Science pri OTUS
Komu je ta tečaj namenjen?
Za strokovnjake za strojno učenje, ki:
- Želite se specializirati za računalniški vid
- Že uporabljajo praktike globokega učenja in želijo razširiti in sistematizirati znanje
- Tečaj vam bo omogočil prehod s klasičnih nalog strojnega učenja, kot so kreditno točkovanje, optimizacija CTR, odkrivanje goljufij in itd., in vstopite v razvijajoče se področje podatkovne znanosti, kjer se zdaj dogajajo vse najbolj zanimive stvari in se odpirajo nove kariere obzorja.
Usposabljanje vam bo dalo potrebne kompetence za prijavo na delovna mesta, ki zahtevajo strokovne veščine razvoja sistema računalniškega vida. V različnih podjetjih se specialnosti imenujejo različno, najpogostejše možnosti so: inženir globokega učenja, računalnik Inženir vida, raziskovalni inženir AI [računalniški vid, strojno učenje], raziskovalni programer, globoko učenje/računalništvo Vizija.
Kako se tečaj razlikuje od drugih?
Priprava na reševanje bojnih nalog: kako zagnati nevronsko mrežo v oblaku in prilagoditi model za različne platforme
Poglobljeno znanje in sodobni pristopi k tehnologijam računalniškega vida
Končano projektno delo, ki ga lahko dodate v svoj portfelj
Smešni primeri, vrelec idej in cyberpunk vesolja na dosegu roke – 4 meseci bodo zleteli v enem dihu!
Med tečajem:
Delali boste z odprtimi nabori podatkov za različne naloge računalniškega vida
Razumeli boste načela delovanja in možnosti konvolucijskih slojev in slojev združevanja, vključno s tistimi, ki so specifični za naloge odkrivanja objektov in segmentacije.
Naučite se uporabljati mehanizem pozornosti v konvolucijskih omrežjih.
Ugotovite, katere ideje so osnova sodobnih konvolucijskih omrežij (MobileNet, ResNet, EfficientNet itd.)
Razumeli boste pristope DL k odkrivanju predmetov – preučite družino R-CNN, detektorje v realnem času: YOLO, SSD. Detektor predmetov lahko implementirate tudi sami.
Naučite se rešiti problem globokega metričnega učenja z uporabo siamskih omrežij. Naučite se, kaj sta trojna izguba in kotna izguba.
Pridobite izkušnje pri reševanju problemov segmentacije slike: U-Net, DeepLab.
Naučite se uporabljati fino nastavitev, prenesti učenje in zbrati lastne nize podatkov za zaznavanje objektov in segmentacijo slik, naloge učenja metrike.
Delali boste z generativnimi kontradiktornimi mrežami. Razumeti, kako je mogoče GAN-je uporabiti za kontradiktorne napade in kako implementirati GAN-ove super ločljivosti.
Naučite se izvajati modele na strežniku (tensorflow serving, TFX). Spoznajte ogrodja za optimizacijo nevronskih mrež za sklepanje na mobilnih/vgrajenih napravah: Tensorflow Lite, TensorRT.
Raziščite arhitekture za definiranje obraznih mejnikov: kaskadna regresija oblike, mreža globoke poravnave, mreža peščene ure
1
dobroDiplomirala je na magistrskem programu kvantitativnih financ na Nacionalni raziskovalni univerzi Visoka ekonomska šola. Od univerze se zanima za strojno učenje in probleme globokega učenja. Uspelo je delati na različnih projektih: razviti cevovod za detekcijo in prepoznavanje slik; integriran modul za prepoznavanje...
Diplomirala je na magistrskem programu kvantitativnih financ na Nacionalni raziskovalni univerzi Visoka ekonomska šola. Od univerze se zanima za strojno učenje in probleme globokega učenja. Uspelo je delati na različnih projektih: razviti cevovod za detekcijo in prepoznavanje slik; integrirali modul za prepoznavanje v prototip avtomatskega sortirnika odpadkov z uporabo ROS; zbrali cevovod za prepoznavanje videa in številne druge.
3
sevedaIzkušen razvijalec, znanstvenik in strokovnjak za strojno/globoko učenje z izkušnjami v sistemih priporočil. Ima več kot 30 znanstvenih publikacij v ruskem in tujih jezikih, zagovarjal doktorsko disertacijo na temo analize in...
Izkušen razvijalec, znanstvenik in strokovnjak za strojno/globoko učenje z izkušnjami v sistemih priporočil. Ima več kot 30 znanstvenih publikacij v ruskem in tujih jezikih, zagovarjal je doktorsko disertacijo o analizi in napovedovanju časovnih vrst. Diplomiral je na Fakulteti za računalništvo na Nacionalni raziskovalni univerzi Moskovski inštitut za elektrotehniko, kjer je leta 2008. diplomiral, leta 2010 magistriral in leta 2014 kandidat tehničnih znanosti. Že pred začetkom dela na njegovi diplomski nalogi me je začela zanimati analiza podatkov in pri izvedbi prvega pomembnejšega projekta sem od navadnega programerja postal vodja razvojnega oddelka. Približno 10 let je poučeval sorodne discipline na Moskovskem inštitutu za elektrotehniko Nacionalne raziskovalne univerze kot izredni profesor oddelka. Vodi skupine Data Science, ki razvijajo projekte na področju NLP, RecSys, Time Series in Computer Vision Teacher
2
sevedaStrokovnjak za računalniški vid in globoko učenje, certificirani programski inženir in kandidat fizikalnih in matematičnih znanosti. Od leta 2012 do 2017 je delal na področju prepoznavanja obrazov pri WalletOne, katerega rešitve so dobavljali podjetjem v Južni...
Strokovnjak za računalniški vid in globoko učenje, certificirani programski inženir in kandidat fizikalnih in matematičnih znanosti. Od leta 2012 do 2017 je delal na področju prepoznavanja obrazov pri WalletOne, katerega rešitve so bile dobavljene podjetjem v Južni Afriki in Evropi. Sodeloval je pri startupu Mirror-AI, kjer je vodil ekipo za računalniški vid. Leta 2017 je startup opravil Y-combinator in prejel naložbe za ustvarjanje aplikacije, v kateri lahko uporabnik rekonstruira svoj avatar iz selfija. Leta 2019 je sodeloval pri britanskem startupu Kazendi Ltd., pri projektu HoloPortation. Cilj projekta je rekonstruirati 3D avatarje za očala za obogateno resničnost HoloLens. Od leta 2020 vodi ekipo računalniškega vida v ameriškem startupu Boost Inc., ki se za NCAA ukvarja z video analitiko v košarki. Programski menedžer
Od osnov do sodobnih arhitektur
-Tema 1. Računalniški vid: naloge, orodja in program predmeta
-Tema 2. Konvolucijske nevronske mreže. Operacije konvolucije, transponirana konvolucija, vlečenje
-Tema 3. Razvoj konvolucijskih omrežij: AlexNet->EfficientNet
-Tema 4. Priprava in nadgradnja podatkov
-Tema 5.OpenCV. Klasični pristopi
-Tema 6. Standardni nabori podatkov in modeli v PyTorchu na primeru natančne nastavitve
-Tema 7. Standardni nabori podatkov in modeli v TensorFlow na primeru pristopa Transfer Learning
-Tema 8.TensorRT in sklepanje na strežniku
Odkrivanje, sledenje, razvrščanje
-Tema 9. Odkrivanje predmetov 1. Izjava o problemu, meritve, podatki, R-CNN
-Tema 10. Odkrivanje predmetov 2. Maska-RCNN, YOLO, RetinaNet
-Tema 11. Mejniki: Mejniki obraza: PFLD, zložene mreže peščene ure (?), mreže globoke poravnave (DAN),
-Tema 12. Ocena položaja
-Tema 13. Prepoznavanje obraza
-Tema 14. Sledenje predmetom
Segmentacija, generativni modeli, delo s 3D in videom
-Tema 15. Segmentacija + 3D segmentacija
-Tema 16. Metode optimizacije omrežja: obrezovanje, mixint, kvantizacija
-Tema 17. Samovozeče / avtonomno vozilo
-Tema 18. Avtokodirniki
-Tema 19. Delo s 3D scenami. PointNet
-Tema 20. GANs 1. Okvir, pogojna generacija in super-ločljivost
-Tema 21. GANs 2. Pregled arhitekture
-Tema 22. Prepoznavanje dejanj in 3d za video
Projektno delo
-Tema 23. Izbira teme in organizacija projektnega dela
-Tema 24. Posvetovanje o projektih in domačih nalogah
-Tema 25. Zaščita projektantskega dela