|
Компьютерное зрение (Computer Vision, CV) – это автоматическая фиксация и обработка изображений неподвижных и движущихся объектов при помощи компьютерных средств.
На курсе "Глубокое обучение (нейронные сети) на Python часть 4. Компьютерное зрение" слушатели познакомятся с основными методами машинного обучения в технологии компьютерного зрения, используя возможности и библиотеки Python.
Прослушав данный курс, Вы узнаете:
- Как определена система координат изображения
- Что такое классификация изображений
- Какие есть готовые наборы данных
- Какие есть библиотеки и пакеты среды разработки
- Как классифицировать изображение с помощью k-NN: Простого классификатора
- Какие есть методы оптимизации и регуляризации
- Как использовать сверточные нейронные сети
- Как использовать предобученные сети для классификации изображений
Научитесь:
- Понимать основы изображений
- Разбираться в основах классификации изображений
- Определять наборы данных для классификации изображений
- Настраивать среду разработки
- Создавать простой классификатор изображений
- Использовать параметризованное обучение
- Применять методы оптимизации и регуляризация
- Применять нейронные сети
- Применять предобученные нейронные сети для классификации изображений
Аудитория: начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science, желающих начать знакомство с темой машинного обучения с технологией компьютерного зрения.
Предварительная подготовка: Опыт программирования на языке Python и знание основных библиотек Python для научных расчетов: Numpy, Pandas, Matplotlib. Понимание разделов математики: теория вероятности, статистика, математический анализ, линейная алгебра. Навыки работы с алгоритмами машинного обучения и начальные навыки работы с нейронными сетями (технологиями глубокого обучения).
Курсы, рекомендуемые для предварительного прохождения:
- Программирование на Python, часть 1
- Программирование на Python, часть 2
- Программирование на Python, часть 3. Numpy для Data Science
- Программирование на Python, часть 4. Pandas для Data Science. Высокопроизводительная обработка и анализ данных в Pandas
- Математика для Data Science, часть 1. Теория вероятностей и статистика
- Математика для Data Science, часть 2. Математический анализ и линейная алгебра
- Машинное обучения на Python, часть 1
- Машинное обучения на Python, часть 2
- Глубокое обучение (нейронные сети) на Python часть 1
- Глубокое обучение (нейронные сети) на Python часть 2
Курсы, рекомендуемые для последующего прохождения:
- Разработка конвейеров, автоматизация и развертывание моделей машинного обучения
Программа курса
1 Основы изображения
1.1 Пикселы, строительные блоки изображения
1.2 Система координат изображения
1.3 Масштабирование и соотношение сторон
2 Основы классификации изображений
2.1 Что такое классификация изображений?
2.2 Типы обучения
2.3 Конвейер классификации глубокого обучения
3 Наборов данных для классификации изображений
3.1 MNIST
3.2 Animals: Dogs, Cats, and Pandas
3.3 CIFAR-10
3.4 SMILES
3.5 Kaggle: Dogs vs. Cats
3.6 Flowers-17
3.7 CALTECH-101
3.8 Tiny ImageNet 200
3.9 Adience
3.10 ImageNet
3.11 Kaggle: Facial Expression Recognition Challenge
4 Настройка среды разработки
4.1 Библиотеки и пакеты
4.1.1 Python
4.1.2 Keras
4.1.3 Mxnet
4.1.4 OpenCV, scikit-image, scikit-learn...
4.2 Настройка среды разработки
4.3 Облачные экземпляры
4.4 Как структурировать проекты
5 Простой классификатор изображений
5.1 Работа с датасетом изображений
5.2 k-NN: Простой классификатор
6 Параметризованное обучение
6.1 Введение в линейную классификацию
6.2 Роль функций потерь
7 Методы оптимизации и регуляризация
7.1 Градиентный спуск
7.2 Стохастический градиентный спуск (SGD)
7.3 Расширения для SGD
7.4 Регуляризация
8 Использование нейронной сети
8.1 Основы нейронной сети
8.2 Convolutional Neural Networks
8.2.1 Понимание Convolutions
8.2.2 CNN строительные блок
8.2.3 Общие архитектуры и модели обучения
8.2.4 Являются ли CNN инвариантными к переводу, вращению и масштабированию?
8.3 Конфигурации Keras и преобразование изображений в массивы
8.4 ShallowNet
8.5 Сохранение и чтение модели
8.6 LeNet: Распознавание рукописных цифр
8.7 MiniVGGNet: Семейство сетей VGG
8.8 График скорости обучения (Learning Rate)
8.9 Выявление недостаточного или чрезмерного обучения
8.10 Checkpointing Models
8.11 Визуализация архитектуры сети
9 Предобученные сети для классификации
9.1 Совершенные CNN в Keras
9.2 Классификация изображений с пред-обученной ImageNet
10 Прикладные примеры
10.1 Распознавание капчи с помощью CNN
10.2 Обнаружение улыбки
В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения.
Свободно распространяемое программное обеспечение популярно как среди частных лиц, так и среди организаций. Действительно, СПО позволяет серьезно экономить на приобретении лицензий для компаний, которые многократно тиражируют программное решение. Также благодаря тому, что СПО можно квалифицированно дорабатывать собственными силами под конкретные нужды организации, оно приобретает еще и дополнительную гибкость и удобство в использовании.
Открытое программное обеспечение — это программное обеспечение с открытым исходным кодом. Исходный код создаваемых программ открыт, то есть доступен для просмотра и изменения. Это позволяет использовать уже созданный код для создания новых версий программ, для исправления ошибок и, возможно, помочь в доработке открытой программы.
В конце обучения на курсах проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненные в процессе обучения.
Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.
- Нужна помощь в поиске курса?
Наша цель заключается в обеспечении подготовки специалистов, когда и где им это необходимо. Возможна корректировка программ курсов по желанию заказчиков! Мы расскажем Вам о том, что интересует именно Вас, а не только о том, что жестко зафиксировано в программе курса. Если вам нужен курс, который вы не видите на графике или у нас на сайте, или если Вы хотите пройти курс в другое время и в другом месте, пожалуйста, сообщите нам, по адресу mail@interface.ru или shopadmin@itshop.ru
- Поговорите со своим личным тренинг-менеджером!
Мы предоставляет Вам индивидуальное обслуживание. Если у вас есть потребность обсудить, все вопросы касательно обучения, свяжитесь, пожалуйста c нами по телефонам: +7 (495) 925-0049, + 7 (495) 229-0436. Или любым другим удобным для Вас средствами связи, которые Вы можете найти на сайтах www.interface.ru или www.itshop.ru
|
