Ви дізнаєтеся, як навчити комп'ютер бачити: знаходити і групувати об'єкти на зображенні, розпізнавати обличчя і дії, трансформувати зображення. Допоможемо стати фахівцем з комп'ютерного зору і підвищити рівень доходу.
Тривалість навчання - 11 місяців. Результат - 3 кейса в портфоліо
програма навчання:
Створення інфраструктури:
Відеокурс: як вчитися ефективно
Розповімо, як спланувати навчання, щоб зберегти інтерес, отримати максимум користі і все встигнути.
Ви дізнаєтеся, скільки часу приділяти навчанню, як ефективно виконувати практичні завдання, відстежувати прогрес і досягати цілей. Розповімо, як зберігати мотивацію під час навчання і справлятися з почуттям невпевненості і надлишку інформації.
Вступ до вищої математики
Курс допоможе зануритися в професію CV-інженера. У вас будуть завдання з лінійної алгебри, аналітичної геометрії, математичного аналізу та теорії ймовірностей.
Вступ до математичного аналізу
Освоїте основні поняття: множина, Інтеграл, межа і похідна функції.
Основи мови Python
Ви почнете освоювати основи програмування на Python: пройдете шлях від змінних, циклів і розгалужень до створення програм за допомогою об'єктно-орієнтованого підходу.
Лінійна алгебра
Розповімо про лінійному просторі, лінійних перетвореннях і системах рівнянь. Познайомтеся з матрицями, сингулярним розкладанням і матричними операціями.
підсумки чверті
- освоїте технічні основи CV-інженера.
- заповніть знання з математичного аналізу і лінійної алгебри.
- розгляньте приклади вирішення завдань на Python.
Основи машинного навчання:
Теорія ймовірностей і математична статистика
Розповімо, як працювати з кореляційним, дисперсійним і регресійним аналізом.
Ви дізнаєтеся, що таке випадкові події, умовна ймовірність, формула Байєса, незалежні випробування, довірчі інтервали. Познайомитеся з розподілом Пуассона і описовими статистиками. Навчіться перевіряти статистичні гіпотези і проводити A/B-тестування.
Алгоритми на Python.
Потренуєтеся вирішувати завдання за допомогою фундаментальних алгоритмів і структур даних.
Бібліотеки Python для Data Science: NumPy, Matplotlib
Познайомитеся з основними бібліотеками машинного навчання. Дізнаєтеся, як візуалізувати дані і працювати з моделями машинного навчання.
Основи машинного навчання
Познайомитеся з алгоритмами машинного навчання.
- класичні методи: Класифікація, регресія, дерева.
- кластеризація: метрики, DBSCAN, KMeans, агломеративна кластеризація, кластеризація деревами.
- зниження розмірності: SVD, PCA, tSN.
- огляд методів калібрування моделей і пошук аномалій.
- ансамблі: градієнтний бустинг (adaboost, xgboost, catboost).
- познайомитеся з теорією ймовірностей і математичною статистикою.
- навчитеся вирішувати завдання з комбінаторики і дізнаєтеся про види розподілів, методах перевірки статистичних гіпотез.
- вивчіть методи проведення кореляційного, дисперсійного та регресійного аналізу.
- зрозумієте, як влаштовані алгоритми на рівні математики.
Введення в комп'ютерне зір
Познайомитеся з основними завданнями в комп'ютерному зорі, математичною морфологією і бібліотеками openCV і PIL.
Отримайте базові навички по роботі з фільтрами і навчитеся виділяти глобальні і локальні ознаки на зображенні:
- Глобальні: квантування RGB, HSV, фільтри Габора, ознаки по контурах.
- локальні: детектор Харріса, SIFT, піраміда зображення, LoG, DoG, HOG.
Deep learning
Навчіться застосовувати нейронні мережі для комп'ютерного зору і оцінювати якість рішення.
Дізнаєтеся, як працюють згорткові мережі, просунуті архітектури, основні підходи до обробки тривимірних зображень, pytorch. Навчіться застосовувати сегментацію зображень, детекцію об'єктів.
Зможете вирішувати завдання на генерацію тексту по вхідному ембеддингу і на автоматичне анотування зображень.
Прототипування та інтеграція
Навчіться формулювати бізнес-проблему в термінах машинного навчання, вибудовувати процес по її вирішенню, знаходити дані для вирішення і проводити первинну розмітку евристиками.
Бізнес-процес машинного навчання
Дізнаєтеся, як виглядає процес постановки завдання машинного навчання, збору даних і представлення результату.
що розберете:
- Парсинг: типи контенту, requests, selenium.
- розмітку даних і принципи Active learning.
- Дообученіе моделей з додаванням факторів.
- приклади завдання машинного навчання.
що вивчіть:
- просунуті архітектури згорткових нейронних мереж
- семантичну сегментацію, детекцію і локацію об'єктів, розпізнавання осіб і дій, відстеження траєкторії у відео, перенесення стилю зображення.
Зможете вибрати будь-яку тему. Ви будете самі збирати і розмічати дані, визначати метрики якості і таргети для навчання, навчати модель, готувати MVP у вигляді сервісу в Docker.
теми:
- Детекція об'єктів (масок на обличчях, головних уборів).
- Пошук схожих об'єктів (схожі автомобілі, одяг).
- Класифікація зображень (дані на ваш вибір).
- Style Transfer-перенесення стилю зображення. Наприклад, трансформація світлого часу доби в темний на фотографії.
- Сегментація зображень.
https://privatelink.de/?https://new.geekbrains.ru/computer-vision