Datorredze - bezmaksas kurss no Otus, apmācība 4 mēneši, Datums: 2023. gada 5. decembris.

Kursa laikā jūs apmācīsiet neironu tīklus problēmu risināšanai:
- attēlu klasifikācija un segmentēšana
- objektu noteikšana attēlos
- objektu izsekošana video
- trīsdimensiju ainu apstrāde
- attēlu un uzbrukumu ģenerēšana apmācītiem neironu tīklu modeļiem
Jūs arī uzzināsiet, kā izmantot galvenos ietvarus neironu tīklu izveidei: PyTorch, TensorFlow un Keras. Datu zinātnes kursu karte OTUS

Kam šis kurss ir paredzēts?

Mašīnmācīšanās profesionāļiem, kuri:

• Vēlaties specializēties datorredzēšanā
• Jau izmanto Deep Learning praktiķus un vēlos paplašināt un sistematizēt zināšanas
• Kurss ļaus jums pāriet no klasiskajiem mašīnmācīšanās uzdevumiem, piemēram, kredītpunktu noteikšanas, VKS optimizācijas, krāpšanas atklāšanas un utt., un nokļūt jaunattīstības datu zinātnes jomā, kur šobrīd notiek viss interesantākais un paveras jaunas karjeras apvāršņi.

Apmācības iegūs nepieciešamās kompetences, lai pieteiktos darbiem, kuros nepieciešamas profesionālas datorredzes sistēmu izstrādes prasmes. Dažādos uzņēmumos specialitātes sauc dažādi, izplatītākās iespējas ir: Dziļās mācīšanās inženieris, Dators Redzes inženieris, AI pētniecības inženieris [datorredze, mašīnmācība], pētnieks programmētājs, Deep Learning/Computer Vīzija.

Kā kurss atšķiras no citiem?
Gatavošanās kaujas misiju risināšanai: kā mākonī palaist neironu tīklu un pielāgot modeli dažādām platformām
Padziļinātas zināšanas un mūsdienīgas pieejas datorredzes tehnoloģijām
Pabeigts projekta darbs, ko var pievienot savam portfolio
Smieklīgi piemēri, ideju strūklaka un kiberpanka visumi rokas stiepiena attālumā – 4 mēneši paies vienā elpas vilcienā!

Kursa laikā Jūs:
Jūs strādāsit ar atvērtām datu kopām dažādiem Computer Vision uzdevumiem
Jūs sapratīsit konvolūcijas un apvienošanas slāņu darbības principus un iespējas, tostarp tos, kas raksturīgi objektu noteikšanas un segmentācijas uzdevumiem.
Iemācieties pielietot uzmanības mehānismu konvolucionālajos tīklos.
Uzziniet, kādas idejas ir mūsdienu konvolucionālo tīklu (MobileNet, ResNet, EfficientNet utt.) pamatā.
Jūs sapratīsit DL pieejas objektu noteikšanai - izpētiet R-CNN saimi, reāllaika detektorus: YOLO, SSD. Objektu detektoru var ieviest arī pats.
Uzziniet, kā atrisināt Deep Metric Learning problēmu, izmantojot Siāmas tīklus. Uzziniet, kas ir tripleta zudums un leņķa zudums.
Gūstiet pieredzi attēlu segmentācijas problēmu risināšanā: U-Net, DeepLab.
Iemācieties pielietot precīzo regulēšanu, pārsūtīt mācības un apkopot savas datu kopas objektu noteikšanai un attēlu segmentēšanai, metrikas mācīšanās uzdevumiem.
Jūs strādāsit ar ģeneratīviem pretinieku tīkliem. Izprotiet, kā GAN var izmantot pretuzbrukumiem un kā ieviest superizšķirtspējas GAN.
Iemācieties darbināt modeļus serverī (tensorflow apkalpošana, TFX). Iepazīstieties ar ietvariem neironu tīklu optimizēšanai secinājumu veikšanai mobilajās/iegultās ierīcēs: Tensorflow Lite, TensorRT.
Izpētiet arhitektūras sejas orientieru noteikšanai: kaskādes formas regresija, dziļās izlīdzināšanas tīkls, stacked smilšu pulksteņu tīkls

Anna Zakutņaja

1

labi

Viņa absolvējusi Nacionālās pētniecības universitātes Ekonomikas augstskolas maģistra programmu kvantitatīvās finansēs. Kopš universitātes viņš ir interesējies par mašīnmācību un dziļas mācīšanās problēmām. Paspējis strādāt pie dažādiem projektiem: izstrādāts cauruļvads gleznu noteikšanai un atpazīšanai; integrēts atpazīšanas modulis...

Aleksandrs Sizovs

3

protams

Pieredzējis izstrādātājs, zinātnieks un mašīnu/dziļās mācīšanās eksperts ar pieredzi ieteikumu sistēmās. Viņam ir vairāk nekā 30 zinātnisku publikāciju krievu un svešvalodās, aizstāvēts promocijas darbs par analīzes tēmu un...

Antons Vitvickis

2

protams

Datorredzes un dziļās mācīšanās eksperts, sertificēts programmatūras inženieris un fizisko un matemātikas zinātņu kandidāts. No 2012. līdz 2017. gadam viņš strādāja sejas atpazīšanas jomā WalletOne, kuras risinājumi tika piegādāti uzņēmumiem Dienvidu...