Компьютерное зрение | OTUS
🔥 Начинаем BLACK FRIDAY!
Максимальная скидка -25% на всё. Успейте начать обучение по самой выгодной цене.
Выбрать курс

Курсы

Программирование
iOS Developer. Basic
-25%
Python Developer. Professional
-25%
Разработчик на Spring Framework
-25%
Golang Developer. Professional
-25%
Python Developer. Basic
-25%
iOS Developer. Professional
-25%
Highload Architect
-25%
JavaScript Developer. Basic
-25%
Kotlin Backend Developer
-25%
JavaScript Developer. Professional
-25%
Android Developer. Basic
-25%
Unity Game Developer. Basic
-25%
Разработчик C#
-25%
Программист С Web-разработчик на Python Алгоритмы и структуры данных Framework Laravel PostgreSQL Reverse-Engineering. Professional CI/CD Vue.js разработчик VOIP инженер Программист 1С Flutter Mobile Developer Супер - интенсив по Kubernetes Symfony Framework Advanced Fullstack JavaScript developer Супер-интенсив "Azure для разработчиков"
Инфраструктура
Мониторинг и логирование: Zabbix, Prometheus, ELK
-25%
DevOps практики и инструменты
-25%
Архитектор сетей
-25%
Инфраструктурная платформа на основе Kubernetes
-25%
Супер-интенсив «ELK»
-16%
Супер-интенсив «IaC Ansible»
-16%
Супер-интенсив "SQL для анализа данных"
-16%
Базы данных Сетевой инженер AWS для разработчиков Cloud Solution Architecture Разработчик голосовых ассистентов и чат-ботов Внедрение и работа в DevSecOps Администратор Linux. Виртуализация и кластеризация Нереляционные базы данных Супер-практикум по использованию и настройке GIT IoT-разработчик Супер-интенсив «СУБД в высоконагруженных системах»
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Компьютерное зрение

Длительность обучения:

4 месяца

4 ак. часа в нед.

В апреле 2021 года

Что даст вам этот курс

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 vision

    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 Vision

  • 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
  • Преподаватели

    Артур Кадурин
    Chief AI Officer Insilico Medicine
    Антон Витвицкий
    BOOST INC., Head of Computer Vision
    Артем Васильев
    Ведущий Инженер Разработки ПАО Сбербанк
    Дмитрий Хизбуллин
    Михаил Степанов
    Data Scientist Insilico Medicine
    Евгения Ческидова
    Deep Learning Engineer в Wolf3d, Таллин
    В Mail.Ru Group 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. возглавил 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

    Эксперт по компьютерному зрению и глубокому обучению, дипломированный инженер-программист и кандидат физ-мат наук.

    С 2012 по 2017 занимался распознаванием лиц в компании WalletOne, чьи решения поставлялись для бизнеса в странах Южной Африки и Европы. Участвовал в стартапе Mirror-AI, где руководил командой компьютерного зрения. В 2017 стартап прошел Y-combinator и получили инвестиции для создания приложения в котором пользователь может реконструировать свой аватар по селфи. В 2019 участвовал в британском стартапе Kazendi Ltd., в проекте HoloPortation. Цель проекта - реконструкция 3D-аватаров для очков дополненной реальности HoloLens. C 2020 руководит командой компьютерного зрения в американском стартапе Boost Inc., который занимается видеоаналитикой в баскетболе для NCAA.

    Занимается разработкой систем анализа поведения и действий. Работал над проектами по дистанционному зондированию и анализу данных с метеозондов, спутников и других БПЛА.
    Научные интересы в области распознавания поз и действий человека и стеганографии с применением нейронных сетей

    Разработчик и исследователь с 10+ лет опыта работы в России, Германии и Эстонии, специализирующийся на глубоком обучении, компьютерном зрении и беспилотных автомобилях. В данный момент Дмитрий является тим-лидом в исследовательском центре Huawei и работает над зрением беспилотных автомобилей и распределенной тренировкой нейронных сетей.

    Сейчас занимается глубоким обучением для разработки новых лекарственных препаратов. Занимался проектами по агрегации отзывов, по анализу и оптимизации производства крупных промышленных компаний, в том числе проектами по face detection, face recognition, pose estimation. Оптимизировал модели для запуска на портативных или маломощных устройствах.

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

    Специалист по глубокому обучению и аналитик данных с опытом. Работала в лаборатории нейронных сетей и глубокого обучения в МФТИ и в «Тинькофф».

    Занималась разработкой чат-ботов и глубоким обучением, связанным с методами обработки естественного языка. Преподавала курс по нейронным сетям и глубокому обучению в ВШЭ на факультете математики, а также курс по обработке естественного языка на образовательной платформе «Тинькофф». Кроме того, вела курсы в различных летних школах.

    Около года занимается компьютерным зрением в стартапе Wolf3d. Сейчас работает над технологией восстановления 3Д-меша лица по одной фотографии. Главная сфера интересов в глубоком обучении в настоящий момент — работа с 3D-данными.

    Образование: бакалавриат МФТИ по направлению «Прикладная математика и физика».

    Артур
    Кадурин
    Антон
    Витвицкий
    Артем
    Васильев
    Дмитрий
    Хизбуллин
    Михаил
    Степанов
    Евгения
    Ческидова

    Преподаватели

    Артур Кадурин
    Chief AI Officer Insilico Medicine
    В Mail.Ru Group 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. возглавил 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

    Антон Витвицкий
    BOOST INC., Head of Computer Vision
    Эксперт по компьютерному зрению и глубокому обучению, дипломированный инженер-программист и кандидат физ-мат наук.

    С 2012 по 2017 занимался распознаванием лиц в компании WalletOne, чьи решения поставлялись для бизнеса в странах Южной Африки и Европы. Участвовал в стартапе Mirror-AI, где руководил командой компьютерного зрения. В 2017 стартап прошел Y-combinator и получили инвестиции для создания приложения в котором пользователь может реконструировать свой аватар по селфи. В 2019 участвовал в британском стартапе Kazendi Ltd., в проекте HoloPortation. Цель проекта - реконструкция 3D-аватаров для очков дополненной реальности HoloLens. C 2020 руководит командой компьютерного зрения в американском стартапе Boost Inc., который занимается видеоаналитикой в баскетболе для NCAA.

    Артем Васильев
    Ведущий Инженер Разработки ПАО Сбербанк
    Занимается разработкой систем анализа поведения и действий. Работал над проектами по дистанционному зондированию и анализу данных с метеозондов, спутников и других БПЛА.
    Научные интересы в области распознавания поз и действий человека и стеганографии с применением нейронных сетей

    Дмитрий Хизбуллин
    Разработчик и исследователь с 10+ лет опыта работы в России, Германии и Эстонии, специализирующийся на глубоком обучении, компьютерном зрении и беспилотных автомобилях. В данный момент Дмитрий является тим-лидом в исследовательском центре Huawei и работает над зрением беспилотных автомобилей и распределенной тренировкой нейронных сетей.

    Михаил Степанов
    Data Scientist Insilico Medicine
    Сейчас занимается глубоким обучением для разработки новых лекарственных препаратов. Занимался проектами по агрегации отзывов, по анализу и оптимизации производства крупных промышленных компаний, в том числе проектами по face detection, face recognition, pose estimation. Оптимизировал модели для запуска на портативных или маломощных устройствах.

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

    Евгения Ческидова
    Deep Learning Engineer в Wolf3d, Таллин
    Специалист по глубокому обучению и аналитик данных с опытом. Работала в лаборатории нейронных сетей и глубокого обучения в МФТИ и в «Тинькофф».

    Занималась разработкой чат-ботов и глубоким обучением, связанным с методами обработки естественного языка. Преподавала курс по нейронным сетям и глубокому обучению в ВШЭ на факультете математики, а также курс по обработке естественного языка на образовательной платформе «Тинькофф». Кроме того, вела курсы в различных летних школах.

    Около года занимается компьютерным зрением в стартапе Wolf3d. Сейчас работает над технологией восстановления 3Д-меша лица по одной фотографии. Главная сфера интересов в глубоком обучении в настоящий момент — работа с 3D-данными.

    Образование: бакалавриат МФТИ по направлению «Прикладная математика и физика».

    Отзывы
    2
    Татьяна
    Воронич
    Хотелось найти курс и обширный, и узконаправленный Computer Vision. И в общем это получилось.
    Цель была обновить (вспомнить) и углубить знания в этой области, узнать, что нового и важного, с точки зрения практикующих специалистов появилось на данный момент.
    На курсе приятная обстановка. Сам курс насыщен практикой, настоящее глубокое погружение в мир компьютерного зрения. А команда преподавателей, состоящая из специалистов и профессионалов, каждый в своём направлении, делает этот курс особенно сильным и уникальным.
    Обучение даёт мне сделать новый шаг в саморазвитии в направлении нейронные сети. Попробовать себя в новых задачах, более сложных и прикладных.
    В карьере пока без изменений. Но появился шанс попробовать новые проекты, используя более продвинутые инструменты, и, конечно, много новых идей.
    Читать целиком
    Станислав
    Кусков
    Хотелось бы сказать огромное спасибо преодавателям курса за их профессионализм и поддержку!
    После окончания курса по C++ на платформе Otus увидел тут же новый курс по CV. Решил попробовать, вед курсом по C++ остался доволен!
    Курс помог структурировать и углубить уже имеющиеся знания о CV а также получить новые. Познакомиться с современными подходами в CV, узнать как и почему работают различные решения. А самое главное - это возможность применить полученные знания в домашних работах и итоговом проекте.
    Курс был насыщен и в меру сложен. С нетерпением жду курс следующего уровня сложности!
    Читать целиком
    Татьяна
    Воронич
    Хотелось найти курс и обширный, и узконаправленный Computer Vision. И в общем это получилось.
    Цель была обновить (вспомнить) и углубить знания в этой области, узнать, что нового и важного, с точки зрения практикующих специалистов появилось на данный момент.
    На курсе приятная обстановка. Сам курс насыщен практикой, настоящее глубокое погружение в мир компьютерного зрения. А команда преподавателей, состоящая из специалистов и профессионалов, каждый в своём направлении, делает этот курс особенно сильным и уникальным.
    Обучение даёт мне сделать новый шаг в саморазвитии в направлении нейронные сети. Попробовать себя в новых задачах, более сложных и прикладных.
    В карьере пока без изменений. Но появился шанс попробовать новые проекты, используя более продвинутые инструменты, и, конечно, много новых идей.
    Читать целиком
    Станислав
    Кусков
    Хотелось бы сказать огромное спасибо преодавателям курса за их профессионализм и поддержку!
    После окончания курса по C++ на платформе Otus увидел тут же новый курс по CV. Решил попробовать, вед курсом по C++ остался доволен!
    Курс помог структурировать и углубить уже имеющиеся знания о CV а также получить новые. Познакомиться с современными подходами в CV, узнать как и почему работают различные решения. А самое главное - это возможность применить полученные знания в домашних работах и итоговом проекте.
    Курс был насыщен и в меру сложен. С нетерпением жду курс следующего уровня сложности!
    Читать целиком
    Необходимые знания
  • Основы мат. анализа, линейной алгебры, теории вероятностей и мат. статистики, метод обратного распространения.
  • Основы программирования на Python.
  • Знания, как устроены базовые архитектуры и слои нейронных сетей (сверточные/рекуррентные сети, батч-нормализация, сиамские сети и т. д.).
  • Программа обучения
    В процессе обучения вы получите комплексные знания и навыки.
    Тема 1. Компьютерное зрение: задачи, инструменты и программа курса
    Тема 2. Сверточные нейронные сети. Операции свертки, транспонированной свертки, пуллинг
    Тема 3. Автокодировщики
    Тема 4. Эволюция сверточных сетей: AlexNet->ResNetX
    Тема 5. OpenCV. Классические подходы
    Тема 6. Стандартные датасеты и модели в PyTorch на примере Fine-tuning
    Тема 7. Стандартные датасеты и модели в TensorFlow на примере подхода Transfer Learning
    Тема 8. OpenCV. Модуль DNN
    Тема 9. Подготовка и аугментация данных
    Тема 10. Object detection 1. Постановка задачи, метрики, данные, R-CNN
    Тема 11. Face recognition
    Тема 12. Внимание в сверточных сетях. Аннотация
    Тема 13. Object detection 2. Mask-RCNN, YOLO, RetinaNet
    Тема 14. Landmarks: Facial landmarks: PFLD, stacked hourglass networks(?), Deep Alignment Networks (DAN),
    Тема 15. Pose estimation
    C 1 декабря
    Тема 16. Сегментация + 3D - сегментация
    Тема 17. Работаем с 3D сценами. PointNet
    Тема 18. Object tracking
    Тема 19. Action recognition и 3d для видео
    Тема 20. GANs 1. Фреймворк, условная генерация и super-resolution
    Тема 21. GANs 2. Обзор архитектур
    Тема 22. TensorRT и инференс на сервере
    C 24 декабря
    Тема 23. Защита проектных работ
    Скачать подробную программу
    Выпускной проект
    В течение всего курса вы будете работать над индивидуальным проектом.

    Будет предложено несколько вариантов на выбор:

  • Удаление объектов с фото

  • Выделение описания фото из текста

  • Поиск/удаление брендов на фото/видео

  • Генерация персонального аватара в заданном стиле

  • Озвучивание видео

  • Ваш проект на выбор
  • 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.
    Получить консультацию
    Наш специалист свяжется с вами в ближайшее время. Если у вас возникли трудности в выборе курса или проблемы технического плана, то мы с радостью поможем вам.
    Спасибо!
    Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.
    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 2021 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.
    Прошедшие открытые вебинары
    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.
    Состязательные сети и повышение разрешения
    Артур Кадурин
    Triplet loss: учим нейросеть узнавать объекты с первого раза.
    Михаил Степанов
    Партнеры ждут выпускников этого курса
    🎁 Максимальная скидка!
    Черная пятница уже в OTUS! Скидка -25% на всё!