Скачать Компьютерное зрение [Otus]

Kail · 10.05.2020

Что даст вам этот курс:
Вы освоите принципы машинного обучения в области компьютерного зрения и сможете решать индустриальные задачи, используя открытые датасеты.
По ходу курса вы обучите нейросети для решения задач:
- классификации и сегментации изображений
- детекции объектов на изображениях
- отслеживания объектов на видео
- обработки трехмерных сцен
- порождения изображений и атаки на обученные модели нейронных сетей
Также вы научитесь пользоваться основными фреймворками для создания нейросетей: PyTorch, TensorFlow и Keras.
Для кого этот курс?
Для специалистов в сфере Machine Learning, которые
- Хотят специализироваться на Компьютерном зрении
- Уже используют практики Deep Learning и хотят расширить и систематизировать знания
Курс позволит переключиться с классических задач машинного обучения, таких как кредитный скоринг, оптимизация CTR, детекция фрода и т.д, и попасть в развивающуюся область Data Science, где сейчас происходит все самое интересное и открываются новые карьерные горизонты.
Обучение даст вам необходимые компетенции, чтобы претендовать на специальности, требующие профессиональных навыков разработки систем компьютерного зрения. В разных компаниях специальности называются по-разному, самые распространенные варианты: Deep learning engineer, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], программист-исследователь, Deep Learning/Computer Vision.

Спойлер: Во время курса вы:
Будете работать с открытыми датасетами для различных задач Computer Vision
Разберетесь в принципах работы и вариантах сверточных и пулинг-слоев, в том числе, специфических для задач детекции и сегментации объектов.
Научитесь применять механизм внимания в сверточных сетях.
Узнаете, какие идеи лежат в основе современных сверточных сетей (MobileNet, ResNet, EfficientNet, etc.)
Разберетесь в DL-подходах к детекции объектов - изучите семейство R-CNN, реалтайм-детекторы: YOLO, SSD. А также реализуете детектор объектов самостоятельно.
Научитесь решать задачу Deep Metric Learning с помощью сиамских сетей. Узнаете, что такое triplet loss, angular loss.
Получите опыт в решении задачи сегментации изображений: U-Net, DeepLab.
Научитесь применять fine tuning, transfer learning и собирать собственные датасеты для задач object detection и Image segmentation, metric learning.
Будете работать с генеративными состязательными сетями. Поймете, как можно использовать GANs для состязательных атак и как реализовать super resolution GANs.
Научитесь запускать модели на сервере (tensorflow serving, TFX). Познакомитесь с фреймворками для оптимизации нейросетей для инференса на мобильных/embedded-устройствах: Tensorflow Lite, TensorRT.
Изучите архитектуры для определения Facial Landmarks: Cascade shape regression, Deep Alignment Network, Stacked Hourglass Network

Спойлер: Преподаватели
Артур Кадурин - Руководитель программы
Chief AI Officer Insilico Medicine
В Mail.Ru Group был первым сотрудником в группе по анализу данных департамента рекламных технологий. После того, как группа выросла в отдел, возглавил группу сегментирования аудитории. Руководил и участвовал в проектах, связанных с анализом пользовательского поведения в рекламе, соцсетях, играх и т. д.
С 2016 года применяет методы глубокого обучения для научных исследований в области медицинской химии совместно с командой Insilico Medicine, где после успешного проекта занял должность директора по AI. В конце 2017 г. возглавил дочернюю компанию Insilico Taiwan в качестве исполнительного директора.
В 2008 году получил специальность математика и системного программиста в Кубанском Государственном Университете на Факультете Компьютерных Наук и Прикладной Математики, с 2013 года занимается машинным обучением.
Соавтор книги Глубокое обучение
Соавтор многочисленных научных публикаций: Google Scholar
Преподователи:
- Артур Кадурин
- Михаил Степанов
- Роман Захаров
- Евгения Ческидова

Спойлер: Необходимые знания
Основы мат. анализа, линейной алгебры, теории вероятностей и мат. статистики, метод обратного распространения.
Основы программирования на Python.
Знания, как устроены базовые архитектуры и слои нейронных сетей (сверточные/рекуррентные сети, батч-нормализация, сиамские сети и т.д.).

Спойлер: Процесс обучения
Обучение проходит в формате вебинаров (онлайн). Слушателям предлагаются к выполнению домашние задания, которые позволят применять на практике полученные во время вебинаров знания. По каждому домашнему заданию преподаватель дает развернутый фидбек.
Преподаватель находится в едином коммуникационном пространстве с группой на протяжении всего курса, т. е. в процессе обучения слушатель может задавать преподавателю уточняющие вопросы по материалам лекций и домашних заданий.

Спойлер: Программа обучения
Модуль 1. Современные архитектуры и работа с данными
Модуль 2. Детекция объектов и работа с видео
Модуль 3. Сегментация и не только
Модуль 4. Проектная работа

Спойлер: Содержание складчины (файлы и папки)
будет чуть позже