Компьютерное зрение | OTUS
OTUS исполняется 3 года!
Скидки до 30% в честь дня рождения! Успейте купить курс по выгодной цене ➞
Выбрать курс

Курсы

Программирование
MS SQL Server разработчик AWS для разработчиков CI/CD на AWS, Azure и Gitlab Архитектура и шаблоны проектирования
-20%
Разработчик C++
-20%
Разработчик Java
-20%
React.js разработчик
-20%
Backend-разработчик на PHP
-30%
Алгоритмы для разработчиков
-30%
Agile Project Manager в IT
-30%
iOS Разработчик. Продвинутый курс v 2.0.
-10%
Разработчик Python
-30%
PostgreSQL
-10%
Разработчик игр на Unity
-15%
VOIP инженер
-30%
Web-разработчик на Python Cloud Solution Architecture
Специализации Курсы в разработке Подготовительные курсы
+7 499 110-61-65
Специальная цена

Компьютерное зрение

Углубленный курс по CV для специалистов в машинном обучении, знакомых с нейронными сетями.
Подойдет ли мне этот курс?

Длительность

4 месяца

Начало

28 апреля

Занятия

Вт 20:00

Общая стоимость

40 000 ₽ 28 000 ₽

В месяц

13 125 ₽

В кредит:

13125 ₽ в месяц

Хочу дешевле
Общая стоимость
40 000 ₽ 28 000 ₽
В месяц: 13 125 ₽
В кредит: 28000 ₽
в месяц
Продолжительность
4 месяца, 2 академ. часа в неделю
Вт 20:00
Начало занятий
28 апреля
Что даст вам этот курс

За 3 месяца вы научитесь:

  • проектировать решения для задач компьютерного зрения;

  • собирать прототипы решений и проверять гипотезы;

  • доводить готовое решение до продакшена.

На занятиях вы будете решать задачи:

  • классификации и сегментации изображений;

  • детекции объектов на изображениях;

  • отслеживания объектов на видео;

  • порождения изображений и атаки на обученные модели нейронных сетей;

  • computer vision на трехмерных объектах.

Также вы научитесь использовать PyTorch, TenserFlow и OpenCV для решения задач computer vision.
Triplet loss: учим нейросеть узнавать объекты с первого раза., 14 апреля в 20:00
Что будем делать:
* Научимся работать с tensorflow datasets
* Рассмотрим проблему one-shot learning, metric learning
* Разберемся, что такое siamese networks и triplet loss
* Обучим нейросеть, способную с первого раза узнавать объекты
* Возможны бонусы!
Ведет
Михаил
Степанов
Предыдущий открытый вебинар
Всё о курсе «Компьютерное зрение», 21 апреля в 20:00
День Открытых Дверей — отличная возможность узнать подробнее о программе курса, особенностях онлайн-формата, навыках, компетенциях и перспективах, которые ждут выпускников после обучения. Также преподаватель расскажет о своём профессиональном опыте и ответит на вопросы участников. Поэтому если есть вопрос, запишитесь на онлайн-трансляцию и задайте его в прямом эфире!
Артур
Кадурин
Преподаватели
Артур Кадурин
Chief AI Officer Insilico Medicine
Михаил Степанов
Jet Infosystems
Роман Захаров
Senior data scientist в Райффайзенбанке
В Mail.ru был первым сотрудником в группе по анализу данных департамента рекламных технологий. После того, как группа выросла в отдел, возглавил группу сегментирования аудитории. Руководил и участвовал в проектах, связанных с анализом пользовательского поведения в рекламе, соцсетях, играх и т. д.

С 2016 года применяет методы глубокого обучения для научных исследований в области медицинской химии совместно с командой Insilico Medicine, где после успешного проекта занял должность директора по AI. В конце 2017 г. возгавил дочернюю компанию Insilico Taiwan в качестве исполнительного директора.

В 2008 году получил специальность математика и системного программиста в Кубанском Государственном Университете на Факультете Компьютерных Наук и Прикладной Математики, с 2013 года занимается машинным обучением.

Соавтор книги Глубокое обучение
Соавтор многочисленных научных публикаций: Google Scholar

Руководитель программы
Работаю в отделе машинного обучения компании Jet Infosystems.
Занимаюсь проектами по агрегации отзывов, по анализу и оптимизации производства крупных промышленных компаний.
В data science пришел из промышленного программирования на Python, где разрабатывал код для "толстого клиента" в проекте по созданию "умных окон".

Занимаюсь проектами по face detection, face recognition, pose estimation. В одном проектах модели запускаются на портативных или маломощных устройствах, поэтому разбираюсь в оптимизации моделей для этих задач.

Ранее учил талантливых школьников программированию, машинному обучению и программированию учебных моделей спутников.

Область интересов: data science, математика, космос и Python.
Мой взгляд на программирование: с великой силой приходит великая ответственность.

Преподаватель
Эксперт по анализу данных и машинному обучению. Специалист по компьютерному зрению, распознаванию изображений, трекингу и локализации объектов.

Работал в различных проектах, связанных с телекомом, видеонаблюдением, бухгалтерской сферой, юридической и банковской индустрией. Неоднократный участник отраслевых конференций, посвящённых технологиям программирования и машинному обучению. Проводит митапы, семинары, лекции и практики по технологиям машинного и глубокого обучения.

Область интересов: Deep Learning, CV, NLP, NER, Anomaly detection, Python

Образование: аспирантура кафедры общей информатики Самарского государственного аэрокосмического университета (СГАУ).

Преподаватель
Артур
Кадурин
Михаил
Степанов
Роман
Захаров
Преподаватели
Артур Кадурин
Chief AI Officer Insilico Medicine
В Mail.ru был первым сотрудником в группе по анализу данных департамента рекламных технологий. После того, как группа выросла в отдел, возглавил группу сегментирования аудитории. Руководил и участвовал в проектах, связанных с анализом пользовательского поведения в рекламе, соцсетях, играх и т. д.

С 2016 года применяет методы глубокого обучения для научных исследований в области медицинской химии совместно с командой Insilico Medicine, где после успешного проекта занял должность директора по AI. В конце 2017 г. возгавил дочернюю компанию Insilico Taiwan в качестве исполнительного директора.

В 2008 году получил специальность математика и системного программиста в Кубанском Государственном Университете на Факультете Компьютерных Наук и Прикладной Математики, с 2013 года занимается машинным обучением.

Соавтор книги Глубокое обучение
Соавтор многочисленных научных публикаций: Google Scholar

Руководитель программы
Михаил Степанов
Jet Infosystems
Работаю в отделе машинного обучения компании Jet Infosystems.
Занимаюсь проектами по агрегации отзывов, по анализу и оптимизации производства крупных промышленных компаний.
В data science пришел из промышленного программирования на Python, где разрабатывал код для "толстого клиента" в проекте по созданию "умных окон".

Занимаюсь проектами по face detection, face recognition, pose estimation. В одном проектах модели запускаются на портативных или маломощных устройствах, поэтому разбираюсь в оптимизации моделей для этих задач.

Ранее учил талантливых школьников программированию, машинному обучению и программированию учебных моделей спутников.

Область интересов: data science, математика, космос и Python.
Мой взгляд на программирование: с великой силой приходит великая ответственность.

Преподаватель
Роман Захаров
Senior data scientist в Райффайзенбанке
Эксперт по анализу данных и машинному обучению. Специалист по компьютерному зрению, распознаванию изображений, трекингу и локализации объектов.

Работал в различных проектах, связанных с телекомом, видеонаблюдением, бухгалтерской сферой, юридической и банковской индустрией. Неоднократный участник отраслевых конференций, посвящённых технологиям программирования и машинному обучению. Проводит митапы, семинары, лекции и практики по технологиям машинного и глубокого обучения.

Область интересов: Deep Learning, CV, NLP, NER, Anomaly detection, Python

Образование: аспирантура кафедры общей информатики Самарского государственного аэрокосмического университета (СГАУ).

Преподаватель
Необходимые знания
  • Основы мат. анализа, линейной алгебры, теории вероятностей и мат. статистики, метод обратного распространения.
  • Основы программирования на Python.
  • Как устроены базовые архитектуры и слои нейронных сетей (сверточные/рекуррентные сети, батч-нормализация, сиамские сети и т. д.).
Процесс обучения
Обучение проходит в формате вебинаров (онлайн). Слушателям предлагаются к выполнению домашние задания, которые позволят применять на практике полученные во время вебинаров знания. По каждому домашнему заданию преподаватель дает развернутый фидбек.
Преподаватель находится в едином коммуникационном пространстве с группой на протяжении всего курса, т. е. в процессе обучения слушатель может задавать преподавателю уточняющие вопросы по материалам лекций и домашних заданий.
Программа обучения
Модуль 1
Современные архитектуры и работа с данными
Модуль 2
Детекция объектов и работа с видео
Модуль 3
Сегментация и не только
Модуль 4
Проектная работа
Современные архитектуры и работа с данными
Тема 1: Компьютерное зрение: задачи, инструменты и программа курса
после занятия вы сможете:
пользоваться необходимыми для прохождения курса инструментами.
28 апреля, 20:00 — 21:30
Тема 2: Эволюция сверточных сетей: AlexNet->ResNetX
после занятия вы сможете:
выбрать подходящую к их задаче архитектуру сверточной нейронной сети.
12 мая, 20:00 — 21:30
Тема 3: Стандартные датасеты и модели в Tensorflow на примере подхода Transfer Learning
после занятия вы сможете:
использовать готовые модели сверточных нейронных сетей для решения новых задач компьютерного зрения с использованием фреймворка Tensorflow.
19 мая, 20:00 — 21:30
Домашние задания: 1
1 Transfer Learning
Цель: Учимся применять обученные модели для новых задач
Тема 4: Стандартные датасеты и модели в PyTorch на примере Fine-tuning
после занятия вы сможете:
использовать готовые модели сверточных нейронных сетей для их дообучения под собственные датасеты с использованием фреймворка PyTorch.
26 мая, 20:00 — 21:30
Тема 5: Подготовка и аугментация данных
после занятия вы сможете:
подготавливать данные для обучения под конкретную модель и задачу;
аугментировать данные для улучшения качества модели и снижения переобучения.
2 июня, 20:00 — 21:30
Домашние задания: 1
1 Аугментация
Цель: Делаем нейронные сети более устойчивыми
Тема 6: Внимание в сверточных сетях. Аннотация
после занятия вы сможете:
применять сети с вниманием для решения задач компьютерного зрения.
9 июня, 20:00 — 21:30
Детекция объектов и работа с видео
Тема 1: Классические подходы к CV, работа с OpenCV
после занятия вы сможете:
решить типичные задачи компьютерного зрения (детекция, трекинг, ...) с помощью классических инструментов.
16 июня, 20:00 — 21:30
Тема 2: Object detection 1. RCNN, Fast RCNN, Faster RCNN
после занятия вы сможете:
проектировать и обучать модели типа RCNN для решения задачи детектирования объектов.
23 июня, 20:00 — 21:30
Тема 3: Object detection 2. YOLO, Single-Shot Detector
после занятия вы сможете:
применять альтернативные архитектуры нейронных сетей для решения задачи детекции объектов.
30 июня, 20:00 — 21:30
Тема 4: Landmarks: Cascade shape regression, Deep Alignment Network, Stacked Hourglass Network и другие
7 июля, 20:00 — 21:30
Тема 5: Работа с видео. Object tracking
после занятия вы сможете:
применять нейронные сети для решения задачи отслеживания объектов на видео.
14 июля, 20:00 — 21:30
Тема 6: Инференс на сервере
после занятия вы сможете:
запускать обученные модели в боевом режиме на удаленных серверах.
21 июля, 20:00 — 21:30
Сегментация и не только
Тема 1: Сегментация 1. U-net
после занятия вы сможете:
применять модели типа U-net для задач сегментации изображений.
28 июля, 20:00 — 21:30
Тема 2: Сегментация 2. DeepLab
после занятия вы сможете:
применять модели типа DeepLab для задач сегментации изображений.
4 августа, 20:00 — 21:30
Тема 3: GANs, super-resolution, adversarial attack
после занятия вы сможете:
решать задачу порождения изображений и атаки на обученные модели нейронных сетей.
11 августа, 20:00 — 21:30
Тема 4: Работаем с 3D сценами. PointNet
после занятия вы сможете:
решать классические задачи компьютерного зрения на трехмерных объектах.
18 августа, 20:00 — 21:30
Тема 5: TensorRT. Адаптируем модель к девайсу
25 августа, 20:00 — 21:30
Проектная работа
Тема 1: Защита проектных работ
защитить проект и получить рекомендации экспертов.
1 сентября, 20:00 — 21:30
Домашние задания: 1
1 Проектная работа
Прошедшие открытые вебинары по курсу
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
Triplet Loss: учим нейросеть узнавать объекты с первого раза
Михаил Степанов
Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 2 недели
Результаты тестирования будут отправлены вам на e-mail, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Пройти вступительное тестирование
После обучения вы

  • получите материалы по всем занятиям (видеозаписи занятий, презентации, примеры кодов);

  • научитесь решать задачи компьютерного зрения;

  • подготовите портфолио;

  • получите сертификат об окончании курса;

  • получите приглашение пройти собеседование в компаниях-партнерах (в случае успешного обучения на курсе).

Дата выдачи сертификата: 25 сентября 2020 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Компьютерное зрение»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Компьютерное зрение»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.
Общая стоимость
40 000 ₽ 28 000 ₽
В месяц: 13 125 ₽
В кредит: ₽ в месяц
Продолжительность
4 месяца
Начало занятий
28 апреля
🔥 Скидки до 50% на новые супер-интенсивы!
«Тестирование игр», «Data Engineer», «работа с протоколом BGP». Узнайте подробности в чате ➞