Data Science Introduction to Deep Learning for Computer Vision

Вводный курс по применению глубокого обучения для решения базовых задач компьютерного зрения: классификации изображения, обнаружения объектов, семантической сегментации.

О курсе

На курсе рассмотрим:


— основы машинного обучения и компьютерного зрения (функции потерь, оптимизация, обработка изображений);
— основы глубокого обучения: нейронные сети, алгоритм обратного распространения ошибки;
— свёрточные нейронные сети;
— attention механизм, трансформеры (в контексте задач компьютерного зрения);
— классические архитектуры нейронных сетей для задачи обнаружения объектов;
— архитектуру U-net для семантической сегментации, GAN, основы процесса формирования изображения, transfer learning и прочие.

8 сентября 2021 курс длится 3 месяца
11 000 грн/мес 33 000 грн при полной оплате курса
11 550 грн/мес при оплате частями
25 студентов каждый студент получает регулярный фидбек от куратора группы

Куратор курса

Владислав Горбатюк

Machine Learning Engineer в Snap.

Инженер в области компьютерного зрения и машинного обучения. Работал над решениями для задач 2D обнаружения и трекинга объектов, оценки 3D параметров объектов в моно и стерео режимах.

Программа курса

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.

Как проходит обучение

Живые занятия

Все занятия проходят в формате вебинаров с куратором (они также будут доступны вам в записи). По средам и пятницам в 19:30. Занятия проходят в Zoom.

Real-life задания

У нас действует Practicult — культ практики. Поэтому вы будете делать много сложных домашек из реальных рабочих будней. Have fun & survive.

Курсовой проект

Во время курса вы сделаете большой проект. Ведь принцип курса — все как в жизни.

Unlimited фидбек

У нас нет базовых и премиум режимов. Только премиум, всегда. Получите от куратора все. И да, десятая итерация — это нормально.

Сертификат за дело

Выдаем только тем, кто своим потом, временем и силами его заслужил.

ГРАФИК

Вебинары

Среда, пятница в 19:30

Длительность

3 месяца

Старт обучения

8 сентября 2021

Полезные статьи

PROJECTOR MAG Чаще, чем кажется. Где и зачем используют искусственный интеллект.

Кому подходит курс

Data Scientists

Будущим и практикующим Data Scientists, желающим освоить Deep Learning и систематизировать свои знания, чтобы двигаться дальше в изучении прогрессивных разделов компьютерного зрения и обработки естественного языка.

Middle и Senior разработчикам

Если вы хотите выучить Deep Learning, чтобы внедрять методы машинного обучения.

Студентам технических специальностей

Студентам-энтузиастам технических специальностей, желающим овладеть крутой профессией.

Всем, кому нужна база

Если вам необходим фундамент для дальнейшего изучения Deep Learning и Computer Vision.

Выпускникам курсов

— Data Science. Математические основы.
— Алгоритмика. Pro.
— Алгоритмика. Основы.

Что уже нужно знать

язык Python на базовом уровне, основы математического анализа и теории вероятностей.

Язык обучения

Русский

Вопросы

Сколько всего будет занятий?

Всего будет 27 занятий в формате вебинаров с куратором. Также могут быть дополнительные занятия по работе с курсовыми проектами. О них куратор будет предупреждать заранее.

Что нужно знать и уметь для поступления?

Студент курса должен владеть языком Python на базовом уровне, помнить основы математического анализа и теории вероятностей.

Сколько времени нужно уделять курсу?

Для продуктивного обучения вам понадобится около 18-20 часов в неделю.

Как происходит коммуникация на курсе, и в каком формате куратор дает фидбек?

Вся коммуникация на курсе проходит на платформе Slack (рабочий чат группы, каналы для домашних заданий и полезных ссылок). Фидбек от куратора будет в виде комментариев на домашние задания и обсуждения на вебинарах.

Будут ли мне доступны материалы после завершения курса?

Да, у вас сохраняется доступ после завершения курса.

Будут записываться вебинары?

Мы каждый раз делаем запись, однако лучше забронировать время, чтобы присоединиться к онлайн-встречи — обсудить вопросы с одногруппниками и проконсультироваться с куратором.

Получу ли я сертификат после прохождения курса?

Только при условии выполнения всех домашних заданий, а также успешной защиты курсового проекта.

Что, если мне не понравится?

До 3-го занятия мы сможем вернуть вам всю сумму за обучение, если вы передумаете.

Регистрация

Остались вопросы?
Не стесняйтесь их задавать.

Проконсультируйте меня