Computer vision на языке Python

Код курса Даты начала курса Стоимость обучения Длительность обучения Формат обучения
VISI
29 июля 2024
18 ноября 2024
90 000 руб. 40 ак.часов
Количество дней: 10
Дистанционный
Регистрация

О курсе:

Данный курс является введением в тематику решения задач компьютерного зрения. В курсе будут описаны современные подходы по обработке изображений и видео, а также передовые методы детектирования, сегментации и трекинга объектов на них. Основной акцент будет сделан на практическое применение искусственных нейронных сетей и использование фреймворков для работы с ними. Конкретно Вы познакомитесь с возможностями таких библиотек языка Python, как OpenCV для обработки изображений, Tensorflow для создания и обучения нейронных сетей, TensorRT для оптимизации нейросетевых архитектур, а также с фреймворком Flask для создания простых API решений и Tensorflow Serving для внедрения архитектур нейронных сетей в production. По итогам курса участники создадут прототипы модулей для решения 2х промышленных задач по распознаванию текста на изображении и детектирования местоположения человека на видео. Полученные участниками навыки будут вполне достаточны для дальнейшей самостоятельной поддержки и улучшения качества разработанных модулей.

Аудитория:

Разработчики, которым необходимо получение экспертизы в области обработки изображений и видео, а также решения задач компьютерного зрения, встречающихся на производстве.

Уровень подготовки:

  • опыт программирования на Python
  • знание основ математического анализа и математической статистики

Программа курса «Computer vision на Python»

1. Введение в CV и основы нейронных сетей

Теоретическая часть: основные типы задач CV. Основы нейронных сетей.
Практическая часть: решение задачи классификации изображений

2. Алгоритмы предобработки изображений

Теоретическая часть: библиотеки для предобработки изображений Opencv и PIL
Практическая часть: возможности библиотек Opencv и PIL, построение алгоритма предобработки изображений в задаче классификации

3. Свёрточные нейронные сети, архитектура свёрточных нейронных сетей, подходы к обучению нейронных сетей, аугментация данных

Теоретическая часть: слои свёрточных нейронных сетей, принципы построения. Алгоритм обратного распространения ошибки, типы оптимизаторов
Практическая часть: построение и обучение свёрточных нейронных сетей from scratch

4. Предобученные нейронные сети (transfer learning), переобучение нейронных сетей, коллбеки

Теоретическая часть: основные архитектуры предобученных нейронных сетей, кастомизация предобученных нейронных сетей. Переобучение нейронных сетей, методы борьбы с переобучением.
Практическая часть: использование предобученной нейронной сети для классификации.

5. Детектирование объектов на изображении / видео

Теоретическая часть: архитектуры нейронных сетей для детектирования объектов. Yola, SSD. Метрики качества детектирования объектов
Практическая часть: решение задачи детектирования объектов, работа с видео потоком.

6. Сегментация объектов на изображении

Теоретическая часть: архитектуры нейронных сетей для сегментации объектов. Метрики качества сегментации объектов.
Практическая часть: решение задачи сегментации объектов, работа с видео потоком.

7. Трекинг объектов на видео

Теоретическая часть: алгоритмы трекинга объектов на видео
Практическая часть: трекинг объектов на видео

8. Tensorflow ZOO

Теоретическая часть: подбор нейронной сети из Tensorflow ZOO. Алгоритм обучения выбранной нейронной сети из Tensorflow ZOO.
Практическая часть: разметка датасета, решение кастомной задачи детекции объектов.

9. Внедрение нейронной сети в production

Теоретическая часть: Flask, Docker. Способы внедрения нейронной сети в production.
Практическая часть: построение сервиса с использованием нейронной сети

10. Оптимизация нейронной сети для использования в production

Теоретическая часть: Tensorflow Serving, TensotRT. Способы оптимизации нейронной сети и использования Tensorflow serving поддержки и контроля версий в production.
Практическая часть: улучшенный сервис с использованием Tensorflow Serving.

Учебный курс технологии NLP (Natural Language Processing) на PYTHON — «Школа Больших Данных» Москва

Скачать программу курса «Учебный курс Computer vision на языке Python» в формате pdf

Отправить ссылку на:

Что Вы получите:

Окончив курс «Computer vision на Python» в нашем лицензированном учебном центре «Школа Больших Данных», вы получите удостоверение установленного образца, что свидетельствует о повышении квалификации. По умолчанию документ выдается в электронном виде (pdf-файл), по желанию делаем бумажный вариант без дополнительной оплаты.

https://www.youtube.com/watch?v=pLF40zyIH0g

Кто проводит курс

Ермилов Дмитрий
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
  • Руководитель программ в Университете искусственного интеллекта, Москва.
  • Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)
Конорев Олег
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Руководитель группы Data Science в НИИ “Квант”, Москва
  • Computer vision (CV) – решение задач по классификации и детектировании объектов на фото и видео, идентификации человека,  сегментации изображений и распознаванию текста с библиотеками OpenCV, Tensorflow API и архитектурами нейронных сетей  Yolo, SSD, fRCNN, U-net и пр.
  • Natural language processing (NLP) – решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy и др. Построение различных архитектур на основе искусственных нейронных сетей с использованием различных представлений слов (Embedding, Word2Vec) и готовых нейросетевых решений (Bert, fastai)
  • Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей, а также предсказание значений временных рядов (time series forecasting) в приложении к котировкам активов с использованием классических решений (ARMA, ARIMA) и моделей на базе сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (LSTM,GRU) и их комбинаций.
  • Проекты сегментации сигналов с различных датчиков и приборов и распознавания речи (speech-to-text) с облачными сервисами Yandex и Google.

Чтобы записаться на курс VISI: Computer vision на языке Python позвоните нам по телефону +7 (495) 414-11-21 или заполните форму регистрации ниже.

Контакты авторизированного учебного центра
«Школа Больших Данных»
Адрес:
127576, г. Москва, м. Алтуфьево, Илимская ул. 5 корпус 2, офис 319, БЦ «Бизнес-Депо»
Часы работы:
Понедельник - Пятница: 09.00 – 18.00
Остались вопросы?
Звоните нам +7 (495) 414-11-21 или отправьте сообщение через контактную форму. Также вы можете найти ответы на ваши вопросы в нашем сборнике часто задаваемых вопросов.
Оставьте сообщение, и мы перезвоним вам в течение рабочего дня
Я даю свое согласие на обработку персональных данных и соглашаюсь с политикой конфиденциальности.
Или напишите нам в соц.сетях
Поиск по сайту