[GeekBrains] Компьютерное зрение

[Moderator]

Вы узнаете, как научить компьютер видеть: находить и группировать объекты на изображении, распознавать лица и действия, трансформировать изображения. Поможем стать специалистом по компьютерному зрению и повысить уровень дохода. Длительность обучения - 11 месяцев. Результат - 3 кейса в портфолио Программа обучения: Создание инфраструктуры: Видеокурс: как учиться эффективно Расскажем, как спланировать обучение, чтобы сохранить интерес, получить максимум пользы и всё успеть. Вы узнаете, сколько времени уделять обучению, как эффективно выполнять практические задания, отслеживать прогресс и добиваться целей. Расскажем, как сохранять мотивацию во время обучения и справляться с чувством неуверенности и переизбытка информации. Введение в высшую математику Курс поможет погрузиться в профессию CV-инженера. У вас будут задачи из линейной алгебры, аналитической геометрии, математического анализа и теории вероятностей. Введение в математический анализ Освоите основные понятия: множество, интеграл, предел и производная функции. Основы языка Python Вы начнёте осваивать основы программирования на Python: пройдёте путь от переменных, циклов и ветвлений до создания программ с помощью объектно-ориентированного подхода. Линейная алгебра Расскажем о линейном пространстве, линейных преобразованиях и системах уравнений. Познакомитесь с матрицами, сингулярным разложением и матричными операциями. Итоги четверти Освоите технические основы CV-инженера. Восполните знания по математическому анализу и линейной алгебре. Рассмотрите примеры решения задач на Python. Продолжение описания Основы машинного обучения: Теория вероятностей и математическая статистика Расскажем, как работать с корреляционным, дисперсионным и регрессионным анализом. Вы узнаете, что такое случайные события, условная вероятность, формула Байеса, независимые испытания, доверительные интервалы. Познакомитесь с распределением Пуассона и описательными статистиками. Научитесь проверять статистические гипотезы и проводить A/B-тестирование. Алгоритмы на Python. Потренируетесь решать задачи с помощью фундаментальных алгоритмов и структур данных. Библиотеки Python для Data Science: NumPy, Matplotlib Познакомитесь с основными библиотеками машинного обучения. Узнаете, как визуализировать данные и работать с моделями машинного обучения. Основы машинного обучения Познакомитесь с алгоритмами машинного обучения. Классические методы: классификация, регрессия, деревья. Кластеризация: метрики, DBSCAN, KMeans, агломеративная кластеризация, кластеризация деревьями. Снижение размерности: SVD, PCA, tSN. Обзор методов калибровки моделей и поиск аномалий. Ансамбли: градиентный бустинг (adaboost, xgboost, catboost). Итоги четверти Познакомитесь с теорией вероятностей и математической статистикой. Научитесь решать задачи по комбинаторике и узнаете о видах распределений, методах проверки статистических гипотез. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Поймёте, как устроены алгоритмы на уровне математики. Компьютерное зрение: Введение в компьютерное зрение Познакомитесь с основными задачами в компьютерном зрении, математической морфологией и библиотеками openCV и PIL. Получите базовые навыки по работе с фильтрами и научитесь выделять глобальные и локальные признаки на изображении: Глобальные: квантование RGB, HSV, фильтры Габора, признаки по контурам. Локальные: детектор Харриса, SIFT, пирамида изображения, LoG, DoG, HOG. В конце выполните проект по предобработке и классификации изображений классическими методами на известных датасетах. Deep learning Научитесь применять нейронные сети для компьютерного зрения и оценивать качество решения. Узнаете, как работают свёрточные сети, продвинутые архитектуры, основные подходы к обработке трехмерных изображений, PyTorch. Научитесь применять сегментацию изображений, детекцию объектов. Сможете решать задачи на генерацию текста по входному эмбеддингу и на автоматическое аннотирование изображений. Прототипирование и интеграция Научитесь формулировать бизнес-проблему в терминах машинного обучения, выстраивать процесс по её решению, находить данные для решения и проводить первичную разметку эвристиками. Бизнес-процесс машинного обучения Узнаете, как выглядит процесс постановки задачи машинного обучения, сбора данных и представления результата. Что разберёте: Парсинг: типы контента, requests, selenium. Разметку данных и принципы Active learning. Дообучение моделей с добавлением факторов. Примеры задачи машинного обучения. Итоги четверти Что изучите: Продвинутые архитектуры свёрточных нейронных сетей Семантическую сегментацию, детекцию и локацию объектов, распознавание лиц и действий, отслеживание траектории в видео, перенос стиля изображения. Дипломный проект: Сможете выбрать любую тему. Вы будете сами собирать и размечать данные, определять метрики качества и таргеты для обучения, обучать модель, готовить MVP в виде сервиса в Docker. Темы: 1. Детекция объектов (масок на лицах, головных уборов). 2. Поиск похожих объектов (похожие автомобили, одежда). 3. Классификация изображений (данные на ваш выбор). 4. Style Transfer — перенос стиля изображения. Например, трансформация светлого времени суток в тёмное на фотографии. 5. Сегментация изображений.