Компьютерное зрение

Вы освоите принципы машинного обучения в области компьютерного зрения и сможете решать индустриальные задачи, используя открытые датасеты. По ходу курса вы обучите нейросети для решения задач:

• классификации и сегментации изображений
• детекции объектов на изображениях
• отслеживания объектов на видео
• обработки трехмерных сцен
• порождения изображений и атаки на обученные модели нейронных сетей

Также вы научитесь пользоваться основными фреймворками для создания нейросетей: PyTorch, TensorFlow и Keras.

Карта курсов направления Data Science в OTUS

Для кого этот курс?

Для специалистов в сфере Machine Learning, которые:

• Хотят специализироваться на Компьютерном зрении
• Уже используют практики Deep Learning и хотят расширить и систематизировать знания

Курс позволит переключиться с классических задач машинного обучения, таких как кредитный скоринг, оптимизация CTR, детекция фрода и т.д, и попасть в развивающуюся область Data Science, где сейчас происходит все самое интересное и открываются новые карьерные горизонты. Обучение даст вам необходимые компетенции, чтобы претендовать на специальности, требующие профессиональных навыков разработки систем компьютерного зрения. В разных компаниях специальности называются по-разному, самые распространенные варианты: Deep learning engineer, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], программист-исследователь, Deep Learning/Computer Vision.

Чем курс отличается от других?

Во время курса вы:

• Будете работать с открытыми датасетами для различных задач Computer Vision
• Разберетесь в принципах работы и вариантах сверточных и пулинг-слоев, в том числе, специфических для задач детекции и сегментации объектов.
• Научитесь применять механизм внимания в сверточных сетях.
• Узнаете, какие идеи лежат в основе современных сверточных сетей (MobileNet, ResNet, EfficientNet, etc.)
• Разберетесь в DL-подходах к детекции объектов - изучите семейство R-CNN, реалтайм-детекторы: YOLO, SSD. А также реализуете детектор объектов самостоятельно.
• Научитесь решать задачу Deep Metric Learning с помощью сиамских сетей. Узнаете, что такое triplet loss, angular loss.
• Получите опыт в решении задачи сегментации изображений: U-Net, DeepLab.
• Научитесь применять fine tuning, transfer learning и собирать собственные датасеты для задач object detection и Image segmentation, metric learning.
• Будете работать с генеративными состязательными сетями. Поймете, как можно использовать GANs для состязательных атак и как реализовать super resolution GANs.
• Научитесь запускать модели на сервере (tensorflow serving, TFX). Познакомитесь с фреймворками для оптимизации нейросетей для инференса на мобильных/embedded-устройствах: Tensorflow Lite, TensorRT.
• Изучите архитектуры для определения Facial Landmarks: Cascade shape regression, Deep Alignment Network, Stacked Hourglass Network