[GeekBrains] Компьютерное зрение

[Аноним]

Ссылка на картинку

Вы узнаете, как научить компьютер видеть: находить и группировать объекты на изображении, распознавать лица и действия, трансформировать изображения. Поможем стать специалистом по компьютерному зрению и повысить уровень дохода.
Длительность обучения - 11 месяцев. Результат - 3 кейса в портфолио
ПРОГРАММА ОБУЧЕНИЯ:
Создание инфраструктуры:
Видеокурс: как учиться эффективно
Расскажем, как спланировать обучение, чтобы сохранить интерес, получить максимум пользы и всё успеть.
Вы узнаете, сколько времени уделять обучению, как эффективно выполнять практические задания, отслеживать прогресс и добиваться целей. Расскажем, как сохранять мотивацию во время обучения и справляться с чувством неуверенности и переизбытка информации.
Введение в высшую математику
Курс поможет погрузиться в профессию CV-инженера. У вас будут задачи из линейной алгебры, аналитической геометрии, математического анализа и теории вероятностей.
Введение в математический анализ
Освоите основные понятия: множество, интеграл, предел и производная функции.
Основы языка Python
Вы начнёте осваивать основы программирования на Python: пройдёте путь от переменных, циклов и ветвлений до создания программ с помощью объектно-ориентированного подхода.
Линейная алгебра
Расскажем о линейном пространстве, линейных преобразованиях и системах уравнений. Познакомитесь с матрицами, сингулярным разложением и матричными операциями.
Итоги четверти

• Освоите технические основы CV-инженера.
• Восполните знания по математическому анализу и линейной алгебре.
• Рассмотрите примеры решения задач на Python.

Основы машинного обучения:
Теория вероятностей и математическая статистика
Расскажем, как работать с корреляционным, дисперсионным и регрессионным анализом.
Вы узнаете, что такое случайные события, условная вероятность, формула Байеса, независимые испытания, доверительные интервалы. Познакомитесь с распределением Пуассона и описательными статистиками. Научитесь проверять статистические гипотезы и проводить A/B-тестирование.
Алгоритмы на Python.
Потренируетесь решать задачи с помощью фундаментальных алгоритмов и структур данных.
Библиотеки Python для Data Science: NumPy, Matplotlib
Познакомитесь с основными библиотеками машинного обучения. Узнаете, как визуализировать данные и работать с моделями машинного обучения.
Основы машинного обучения
Познакомитесь с алгоритмами машинного обучения.

• Классические методы: классификация, регрессия, деревья.
• Кластеризация: метрики, DBSCAN, KMeans, агломеративная кластеризация, кластеризация деревьями.
• Снижение размерности: SVD, PCA, tSN.
• Обзор методов калибровки моделей и поиск аномалий.
• Ансамбли: градиентный бустинг (adaboost, xgboost, catboost).

Итоги четверти

• Познакомитесь с теорией вероятностей и математической статистикой.
• Научитесь решать задачи по комбинаторике и узнаете о видах распределений, методах проверки статистических гипотез.
• Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа.
• Поймёте, как устроены алгоритмы на уровне математики.

Компьютерное зрение:
Введение в компьютерное зрение
Познакомитесь с основными задачами в компьютерном зрении, математической морфологией и библиотеками openCV и PIL.
Получите базовые навыки по работе с фильтрами и научитесь выделять глобальные и локальные признаки на изображении:

• Глобальные: квантование RGB, HSV, фильтры Габора, признаки по контурам.
• Локальные: детектор Харриса, SIFT, пирамида изображения, LoG, DoG, HOG.

В конце выполните проект по предобработке и классификации изображений классическими методами на известных датасетах.
Deep learning
Научитесь применять нейронные сети для компьютерного зрения и оценивать качество решения.
Узнаете, как работают свёрточные сети, продвинутые архитектуры, основные подходы к обработке трехмерных изображений, PyTorch. Научитесь применять сегментацию изображений, детекцию объектов.
Сможете решать задачи на генерацию текста по входному эмбеддингу и на автоматическое аннотирование изображений.
Прототипирование и интеграция
Научитесь формулировать бизнес-проблему в терминах машинного обучения, выстраивать процесс по её решению, находить данные для решения и проводить первичную разметку эвристиками.
Бизнес-процесс машинного обучения
Узнаете, как выглядит процесс постановки задачи машинного обучения, сбора данных и представления результата.
Что разберёте:

• Парсинг: типы контента, requests, selenium.
• Разметку данных и принципы Active learning.
• Дообучение моделей с добавлением факторов.
• Примеры задачи машинного обучения.

Итоги четверти
Что изучите:

• Продвинутые архитектуры свёрточных нейронных сетей
• Семантическую сегментацию, детекцию и локацию объектов, распознавание лиц и действий, отслеживание траектории в видео, перенос стиля изображения.

Дипломный проект:
Сможете выбрать любую тему. Вы будете сами собирать и размечать данные, определять метрики качества и таргеты для обучения, обучать модель, готовить MVP в виде сервиса в Docker.
Темы:
1. Детекция объектов (масок на лицах, головных уборов).
2. Поиск похожих объектов (похожие автомобили, одежда).
3. Классификация изображений (данные на ваш выбор).
4. Style Transfer — перенос стиля изображения. Например, трансформация светлого времени суток в тёмное на фотографии.
5. Сегментация изображений.