Глубокое обучение (нейронные сети) на Python часть 4. Компьютерное зрение

Компьютерное зрение (Computer Vision, CV) – это автоматическая фиксация и обработка изображений неподвижных и движущихся объектов при помощи компьютерных средств.

На курсе слушатели познакомятся с основными методами машинного обучения в технологии компьютерного зрения, используя возможности и библиотеки Python.

Начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science, желающих начать знакомство с темой машинного обучения с технологией компьютерного зрения.

Целевая аудитория

Расписание открытых форматов курса

Дистанционный формат — 150 000 ₽.

Очный формат — 150 000 ₽.

Стоимость обучения одного слушателя

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.

Узнаете

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.

Научитесь

В результате освоения курса вы:

Основная информация

10 февраля 2025
24 марта 2025
04 августа 2025
01 декабря 2025

пн–чт 10:00–17:30

150 000 руб.

м. Аэропорт,
Ленинградский проспект 68/24

Верхотуров Марк Валерьевич
Беляев Александр Владимирович

Консультация

Порядок записи на курс

Выбор курса

Заключение договора

Оплата обучения.

очно (до 15 слушателей);
дистанционно в составе очной группы (без ограничения числа подключений);
корпоративный формат (для групп от 10 до 45 слушателей).

Возможные форматы обучения и размеры групп

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

Подробная программа курса

Удостоверение о повышении квалификации

Документы об окончании

Требуемый уровень предварительной подготовки

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).

Руководитель IT проектов, Разработчик Python, Data Scientist, ML-engineer

Разработка на Python
Сбор и анализ данных
Преобразование "сырых" данных в полезную информацию для бизнеса
Создание и обучение предиктивных моделей с помощью алгоритмов машинного обучения и нейросетей
Помощь бизнесу в нахождении скрытых закономерностей, прогнозировании развития событий и оптимизации ключевых бизнес-процессов

Консалтинг
Коучинг

Специализация

Должность

Дополнительные услуги

Ведёт 13 курсов в ЦЕСИНКОМ

Разработчик информационных систем, системный аналитик, аналитик данных

Разработка на Python
Машинное обучение
Математическая оптимизация

Консалтинг

Специализация

Должность

Дополнительные услуги

Ведёт 19 курсов в ЦЕСИНКОМ

Разработка курса или траектории обучения под вашу задачу

Центр готов взять на себя разработку курсов и траекторий обучения под уже сформированную модель компетенций или просто под список знаний и навыков, которые нужно освоить специалистам организации.

Рекомендуемые курсы

Список курсов, которые дополняют данный курс

Анализ данных с использованием языка R

Основы Data Science и Big Data, часть 1

Основы SQL. PostgreSQL. Взаимодействие с базой данных в Pyhton

Разработка приложений PyQT 5

Разработка WEB-приложений на Flask

Список категорий каталога, в которые включён курс

Траектории, в которые входит данный курс

Список курсов, требующихся для прохождения данного курса

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