Computer vision на языке Python
10-ти дневный курс для Data Scientist-ов, специалистов по машинному обучения, python-разработчиков, которые хотят освоить продвинутые методы в области компьютерного зрения. В курсе затрагиваются все основные типы нейросетей для компьютерного зрения и решаются несколько практических кейсов с SOTA архитектурами нейросетей.
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
Программа курса «VISI: Учебный курс Computer vision на языке Python»
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.
Кто проводит курс
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)
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
- Natural language processing (NLP) – решение задач по классификации текстов, извлечению именованных сущностей (NER) и ключевых слов с библиотеками gensim, nltk, fasttext, spacy.
- Time series analysis – решение задач обработки, анализа и классификации аудио сигналов с библиотеками librosa, ffmpeg и различных архитектур нейронных сетей
Чтобы записаться на курс VISI: Computer vision на языке Python позвоните нам по телефону +7 (495) 414-11-21 или заполните форму регистрации ниже.