Computer Vision

Вступний курс із застосування глибокого навчання для вирішення базових завдань комп'ютерного зору: класифікації зображення, виявлення об'єктів, семантичної сегментації.

Про курс

Cистеми автопілотів, доповнена реальність, FaceTime, маски в соцмережах і навіть власне тло в Zoom — всі ці речі об’єднує computer vision, що лежить у їхній основі. Це мізерна частина того, де комп’ютерний зір використовують зараз. І є ще більше сфер, де технологія може стати нормою в найближчому майбутньому.

Цей курс — старт для тих, хто хоче почати свій шлях в роботі з computer vision. За два місяці отримаємо базу, необхідну для роботи з технологією. Зокрема, розглянемо:

— основи машинного навчання та комп'ютерного зору: функції втрат, оптимізація, обробка зображень;
— основи глибокого навчання: нейронні мережі, алгоритм зворотного розповсюдження помилки;
— згорткові нейронні мережі;
— attention механізм, трансформери (в контексті завдань комп'ютерного зору);
— класичні архітектури нейронних мереж для завдання виявлення об'єктів;
— архітектуру U-net для семантичної сегментації, GAN, основи процесу формування зображення, transfer learning та інші.

липень 2022 курс триває 2 місяці
11 000 грн/міс. 22 000 грн при повній оплаті курсу
11 550 грн/міс. при оплаті частинами
15 студентів кожен студент отримує регулярний фідбек від куратора групи

Куратор

Владислав Горбатюк

Machine Learning Engineer у Snap.

Інженер у галузі комп'ютерного зору та машинного навчання. Працював над рішеннями для задач 2D виявлення та трекінгу об'єктів, оцінки 3D параметрів об'єктів у моно- та стереорежимах.

Програма курсу

General course introduction

— Overview of computer vision problems.
— Image processing, data augmentation.
— Learning from data, loss functions, formal definition of the image classification problem.
— Optimization, SGD, SGD with momentum, ADAM, RADAM, RANGER, hyperparameters tuning.
— Neural networks basics, backpropagation algorithm.

Backbones: convolutional NN, attention, transformers

— Convolutions, batch normalization.
— Popular convolutional NN backbones — ResNet, MobileNets v1-v3, EfficientNet, FPN.
— Attention, self-attention, visual attention, transformers, visual transformers.

Object detection

— Object detection via sliding window, RCNN, Faster RCNN, YOLO, SSD.
— Centered, detection transformer (DETR).

Extra

— Semantic segmentation with U-nets, GANs and their applications generating images, image-to-image translation.
— Basics of image formation: intrinsic camera parameters, distortion, depth from stereo, demosaicing.
— Transfer learning, consistency losses, multitask learning.
— Distillation, quantization.

Як відбувається навчання

Вебінари

Вебінари з куратором і групою проходитимуть щосереди о 19:30 та щосуботи об 11:00.

Real-life завдання

У нас діє Practicult — культ практики. Тому ви виконуватимете багато складної домашки з реальних робочих буднів. Have fun & survive.

Курсовий проєкт

Ви зробите великий проєкт для реального замовника. Адже принцип курсу — все як у житті.

Регулярний фідбек

У нас немає базових і преміум режимів. Тільки преміум, завжди. Отримайте від куратора все. І так, десята ітерація — це нормально.

Сертифікат за справу

Видаємо лише тим, хто своїм потом, часом і силами його заслужив.

ГРАФІК

Старт

липень 2022

Вебінари

щосереди о 19:30 та щосуботи об 11:00

Курсовий проєкт

На курсі ми зробимо курсовий проєкт для Snapchat.

Курс для вас, якщо ви

Data Scientist

хочете опанувати deep learning і систематизувати знання, щоб просуватись у вивченні прогресивних розділів комп'ютерного зору й обробки природної мови

Middle/Senior розробник

вивчаєте deep learning, щоб впроваджувати методи машинного навчання

Студент технічних спеціальностей

потребуєте фундаменту для подальшого вивчення deep learning та computer vision

Випускник курсів

— Machine Learning Beginning
— Linear Algebra
— Algorithms

Вступ

базове знання Python, основ матаналізу та теорії ймовірностей

Мова викладання

російська

Дізнайтеся більше

PROJECTOR MAG Частіше, ніж здається. Де та для чого використовують штучний інтелект

Запитання

Що потрібно знати та вміти для вступу?

Студент курсу повинен володіти мовою Python на базовому рівні, знати основи математичного аналізу та теорії ймовірностей.

Скільки часу треба приділяти курсу?

Для продуктивного навчання вам знадобиться близько 10-12 годин на тиждень.

Як відбувається комунікація на курсі та в якому форматі куратор дає фідбек?

Уся комунікація на курсі відбуватиметься на платформі Slack (робочий чат групи, канали для домашніх завдань і корисних посилань). Куратор даватиме фідбек у вигляді коментарів до домашніх завдань і обговорення на вебінарах.

Чи будуть записуватися вебінари?

Ми щоразу організовуємо запис, однак краще виділіть час, щоб долучитися до онлайн зустрічі — обговорити питання з одногрупниками та проконсультуватися з куратором.

А сертифікат буде?

Ми видамо вам сертифікат за умови виконання домашніх завдань, а також успішного захисту курсового проєкту.

Що, як мені не сподобається?

Ми зможемо повернути вам гроші протягом 7 днів після старту курсу, якщо ви передумаєте.

Реєстрація

Ще маєте питання?
Не соромтесь їх задати.

Проконсультуйте мене