Компјутерски вид - бесплатан курс од Отуса, обука 4 месеца, Датум: 05.12.2023.

Током курса ћете обучавати неуронске мреже за решавање проблема:
- класификација и сегментација слика
- детекција објеката на сликама
- праћење објеката на видео снимку
- обрада тродимензионалних сцена
- генерисање слика и напада на обучене моделе неуронских мрежа
Такође ћете научити како да користите главне оквире за креирање неуронских мрежа: ПиТорцх, ТенсорФлов и Керас. Мапа курсева науке о подацима на ОТУС-у

За кога је овај курс?

За професионалце машинског учења који:

• Желите да се специјализујете за компјутерски вид
• Већ користе практичаре дубоког учења и желе да прошире и систематизују знање
• Курс ће вам омогућити да пређете са класичних задатака машинског учења као што су бодовање, оптимизација стопе учесталости кликова, откривање превара и итд., и уђите у развојно поље науке о подацима, где се сада дешавају све најзанимљивије ствари и отварају се нове каријере хоризонти.

Обука ће вам дати потребне компетенције за пријаву за послове који захтевају професионалне вештине развоја система компјутерског вида. У различитим компанијама, специјалности се називају различито, најчешће опције су: Инжењер дубоког учења, Рачунар Инжењер визије, инжењер за истраживање вештачке интелигенције [Компјутерски вид, машинско учење], истраживачки програмер, дубоко учење/рачунар Висион.

По чему се курс разликује од осталих?
Припрема за решавање борбених мисија: како покренути неуронску мрежу у облаку и прилагодити модел за различите платформе
Детаљно знање и савремени приступи технологијама компјутерског вида
Завршени пројектни радови који се могу додати у ваш портфолио
Смешни примери, фонтана идеја и сајберпанк универзуми на дохват руке - 4 месеца ће пролетети у једном даху!

Током курса ви:
Радићете са отвореним скуповима података за различите задатке рачунарског вида
Разумећете принципе рада и опције конволуционих слојева и слојева за удруживање, укључујући и оне специфичне за задатке откривања објеката и сегментације.
Научите да примените механизам пажње у конволуционим мрежама.
Сазнајте које идеје су у основи модерних конволуционих мрежа (МобилеНет, РесНет, ЕффициентНет, итд.)
Разумећете ДЛ приступе откривању објеката - проучите породицу Р-ЦНН, детекторе у реалном времену: ИОЛО, ССД. Такође можете сами да имплементирате детектор објеката.
Научите да решите проблем дубоког метричког учења користећи сијамске мреже. Научите шта је губитак триплета и губитак угла.
Стекните искуство у решавању проблема сегментације слике: У-Нет, ДеепЛаб.
Научите да примените фино подешавање, пренесите учење и прикупите сопствене скупове података за откривање објеката и сегментацију слика, задатке метричког учења.
Радићете са генеративним супарничким мрежама. Схватите како се ГАН-ови могу користити за непријатељске нападе и како имплементирати ГАН-ове супер резолуције.
Научите да покрећете моделе на серверу (тензорфлов сервинг, ТФКС). Упознајте се са оквирима за оптимизацију неуронских мрежа за закључивање на мобилним/уграђеним уређајима: Тенсорфлов Лите, ТенсорРТ.
Истражите архитектуре за дефинисање оријентира на лицу: регресија каскадне форме, мрежа дубоког поравнања, наслагана мрежа пешчаног сата

Анна Закутниаиа

1

добро

Дипломирала је на мастер програму квантитативних финансија на Вишој економској школи Националног истраживачког универзитета. Од универзитета је био заинтересован за машинско учење и проблеме дубоког учења. Успео да ради на разним пројектима: развио цевовод за детекцију и препознавање слика; интегрисани модул за препознавање...

Александар Сизов

3

наравно

Искусни програмер, научник и стручњак за машинско/дубоко учење са искуством у системима за препоруке. Има више од 30 научних публикација на руском и страним језицима, одбранио докторску тезу на тему анализе и...

Антон Витвицки

2

наравно

Стручњак за компјутерски вид и дубоко учење, сертификовани софтверски инжењер и кандидат физичко-математичких наука. Од 2012. до 2017. радио је на препознавању лица у компанији ВаллетОне, чија су решења испоручена предузећима у Јужној...