Скоро Компьютерное зрение [GeekBrains]

VkurseBot · 1 Дек 2020

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

Новичкам в IT
Поможем с нуля освоить профессию разработчика компьютерного зрения. После обучения вы сможете работать на должности deep learning engineer, computer vision engineer, AI research engineer.

Начинающим разработчикам
Научитесь решать творческие бизнес-задачи, сможете специализироваться на компьютерном зрении, расширите и систематизируете знания по разработке.

Актуальная программа
Мы ежегодно обновляем программу обучения: проводим исследования и учитываем требования работодателей. Её можно освоить даже без технического образования или бэкграунда.

Практикующие преподаватели
Преподаватели — эксперты из GeekBrains, Delivery Club и МГТУ им. Баумана. Они помогали разрабатывать системы технического зрения, имеют опыт работы с рекомендательными системами и поиском товаров по картинкам.

Экспертиза Mail.ru Group — IT-гиганта
В группу входит много бизнес-продуктов: ВКонтакте, Delivery Club, Ситимобил и другие. Мы анализируем их развитие и делимся с вами накопленными знаниями.

Консультируем
Поможем проанализировать ваши компетенции и пути карьерного развития.

Помогаем с резюме
Чтобы вы выгодно выделялись на фоне конкурентов, наши HR-специалисты помогут составить резюме.

Составляем подборку вакансий
Менеджер по трудоустройству отправляет подборки вакансий, а вы откликаетесь на самые интересные.

Помогаем получить работу мечты
Дадим советы, как пройти собеседование, и поздравим с оффером " title="Smile ">

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.

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.

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.

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.

Амир Сафиуллин | Machine Learning Engineer в Mail.ru Group

Занимается рекомендательными системами Вконтакте. Раньше решал задачи компьютерного зрения в Skoltech, затем работал в «Юле» и Яндекс.Дзене: улучшал классификацию писем, алгоритмическую модерацию трафика, поиск товаров по рекомендациям и картинкам. Окончил МИФИ и магистратуру в ВШЭ.

Иван Максимов | Data Scientist в Delivery Club

Работал в PwC и ML Research. Создавал рекомендательные системы для ритейла, оптимизировал маркетинговые кампании на основе машинного обучения.

Мария Корлякова | МГТУ им. Н. Э. Баумана

Доцент, кандидат технических наук. Работает в калужском филиале МГТУ им. Баумана на кафедре «Системы автоматического управления и электротехника», отвечает за модуль интеллектуальной обработки информации. Разрабатывала системы технического зрения для ориентации и навигации на основе обучаемых моделей для Сосенского приборостроительного завода. Защитила кандидатскую диссертацию в области построения обучаемых интеллектуальных систем.

Продажник