Подробнее о курсе
Краткое описание курса
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
- научитесь пользоваться основными фреймворками для создания нейросетей: PyTorch, TensorFlow и Keras.
Цель курса
Вы освоите принципы машинного обучения в области компьютерного зрения и сможете решать индустриальные задачи, используя открытые датасеты.
Целевая аудитория курса
- специалисты в сфере Machine Learning
Получаемые знания и навыки
- 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
Необходимая предварительная подготовка
- 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.).
