Компьютерное зрение

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.
Карта курсов направления Data Science в OTUS
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.
Чем курс отличается от других?

Подготовка к решению боевых задач: как запустить нейросеть в облаке и адаптировать модель под разные платформы

Углубленные знания и современные подходы к технологиям Computer visio

Завершенная проектная работа, которую можно добавить в портфолио

Веселые примеры, фонтан идей и вселенные киберпанка на кончиках пальцев — 4 месяца пролетят на одном дыхании!

Во время курса вы:

Будете работать с открытыми датасетами для различных задач Computer Visio
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