Компьютерное зрение | OTUS
⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.
Подробнее

Курсы

Программирование
iOS Разработчик. Продвинутый курс Программист 1С Реверс-инжиниринг. Продвинутый курс
-16%
Java Developer. Professional
-17%
JavaScript Developer. Professional
-18%
Flutter Mobile Developer
-15%
MS SQL Server Developer
-14%
Unity Game Developer. Basic
-19%
Супер-практикум по использованию и настройке GIT
-18%
Супер-интенсив "СУБД в высоконагруженных системах"
-18%
Web-разработчик на Python
-11%
Backend-разработчик на PHP
-8%
PostgreSQL
-10%
Базы данных
-19%
Android-разработчик. Базовый курс Разработчик Python. Продвинутый курс Разработчик на Spring Framework AWS для разработчиков Cloud Solution Architecture CI/CD Vue.js разработчик Разработчик Node.js Scala-разработчик Супер - интенсив по Kubernetes Symfony Framework Advanced Fullstack JavaScript developer
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена

Компьютерное зрение

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

4 месяца

4 ак. часа в нед.

Online

29 сентября

Вт 20:00, Чт 20:00

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.

    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
    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

    Руководитель программы
    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.

    Преподаватель
    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.

    Преподаватель
    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».

    Преподаватель
    Артур
    Кадурин
    Антон
    Витвицкий
    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

    Руководитель программы
    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.

    Преподаватель
    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.

    Преподаватель
    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».

    Преподаватель
    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.
    C 29 сентября
    Тема 1. Сверточные нейронные сети. Операции свертки, транспонированной свертки, пуллинг
    Тема 2. Автокодировщики
    Тема 3. Эволюция сверточных сетей: AlexNet->ResNetX
    Тема 4. OpenCV. Классические подходы
    Тема 5. OpenCV. Модуль DNN
    Тема 6. Стандартные датасеты и модели в TensorFlow на примере подхода Transfer Learning
    Тема 7. Стандартные датасеты и модели в PyTorch на примере Fine-tuning
    C 27 октября
    Тема 8. Подготовка и аугментация данных
    Тема 9. Object detection 1. Постановка задачи, метрики, данные, R-CNN
    Тема 10. Object detection 2. Mask-RCNN, YOLO, RetinaNet
    Тема 11. Face recognition
    Тема 12. Внимание в сверточных сетях. Аннотация
    Тема 13. Landmarks: Facial landmarks: PFLD, stacked hourglass networks(?), Deep Alignment Networks (DAN),
    Тема 14. Pose estimation
    C 26 ноября
    Тема 15. Сегментация + 3D - сегментация
    Тема 16. Работаем с 3D сценами. PointNet
    Тема 17. Object tracking
    Тема 18. Action recognition и 3d для видео
    Тема 19. GANs 1. Фреймворк, условная генерация и super-resolution
    Тема 20. GANs 2. Обзор архитектур
    Тема 21. TensorRT и инференс на сервере
    C 24 декабря
    Тема 22. 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: 26 февраля 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 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.
    Состязательные сети и повышение разрешения
    Артур Кадурин
    День открытых дверей
    8 сентября в 20:00
    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
    Партнеры ждут выпускников этого курса
    Стоимость обучения
    45 000 ₽
    50 000 ₽
    Продолжительность
    4 месяца
    Начало занятий
    29 сентября