- Регистрация
- 26.05.2022
- Сообщения
- 26 731
- Реакции
- 160
- Баллы
- 63
Вы узнаете, как научить компьютер видеть: находить и группировать объекты на изображении, распознавать лица и действия, трансформировать изображения. Поможем стать специалистом по компьютерному зрению и повысить уровень дохода.
Длительность обучения - 11 месяцев. Результат - 3 кейса в портфолио
Кому подойдет курс
Новичкам в IT
Поможем с нуля освоить профессию разработчика компьютерного зрения. После обучения вы сможете работать на должности deep learning engineer, computer vision engineer, AI research engineer.
Начинающим разработчикам
Научитесь решать творческие бизнес-задачи, сможете специализироваться на компьютерном зрении, расширите и систематизируете знания по разработке.
Преимущества факультета по компьютерному зрению
Актуальная программа
Мы ежегодно обновляем программу обучения: проводим исследования и учитываем требования работодателей. Её можно освоить даже без технического образования или бэкграунда.
Практикующие преподаватели
Преподаватели — эксперты из GeekBrains, Delivery Club и МГТУ им. Баумана. Они помогали разрабатывать системы технического зрения, имеют опыт работы с рекомендательными системами и поиском товаров по картинкам.
Экспертиза Mail.ru Group — IT-гиганта
В группу входит много бизнес-продуктов: ВКонтакте, Delivery Club, Ситимобил и другие. Мы анализируем их развитие и делимся с вами накопленными знаниями.
Помогаем начать карьеру
Консультируем
Поможем проанализировать ваши компетенции и пути карьерного развития.
Помогаем с резюме
Чтобы вы выгодно выделялись на фоне конкурентов, наши HR-специалисты помогут составить резюме.
Составляем подборку вакансий
Менеджер по трудоустройству отправляет подборки вакансий, а вы откликаетесь на самые интересные.
Помогаем получить работу мечты
Дадим советы, как пройти собеседование, и поздравим с оффером
Программа обучения
Создание инфраструктуры (Октябрь - Декабрь)
Видеокурс: как учиться эффективно
Расскажем, как спланировать обучение, чтобы сохранить интерес, получить максимум пользы и всё успеть.
Вы узнаете, сколько времени уделять обучению, как эффективно выполнять практические задания, отслеживать прогресс и добиваться целей. Расскажем, как сохранять мотивацию во время обучения и справляться с чувством неуверенности и переизбытка информации.
Введение в высшую математику
Курс поможет погрузиться в профессию CV-инженера. У вас будут задачи из линейной алгебры, аналитической геометрии, математического анализа и теории вероятностей.
Введение в математический анализ
Освоите основные понятия: множество, интеграл, предел и производная функции.
Основы языка Python
Вы начнёте осваивать основы программирования на Python: пройдёте путь от переменных, циклов и ветвлений до создания программ с помощью объектно-ориентированного подхода.
Линейная алгебра
Расскажем о линейном пространстве, линейных преобразованиях и системах уравнений. Познакомитесь с матрицами, сингулярным разложением и матричными операциями.
Итоги четверти
Освоите технические основы CV-инженера.
Восполните знания по математическому анализу и линейной алгебре.
Рассмотрите примеры решения задач на Python.
Основы машинного обучения (Январь - Апрель)
Теория вероятностей и математическая статистика
Расскажем, как работать с корреляционным, дисперсионным и регрессионным анализом.
Вы узнаете, что такое случайные события, условная вероятность, формула Байеса, независимые испытания, доверительные интервалы. Познакомитесь с распределением Пуассона и описательными статистиками. Научитесь проверять статистические гипотезы и проводить A/B-тестирование.
Алгоритмы на Python.
Потренируетесь решать задачи с помощью фундаментальных алгоритмов и структур данных.
Библиотеки Python для Data Science: NumPy, Matplotlib
Познакомитесь с основными библиотеками машинного обучения. Узнаете, как визуализировать данные и работать с моделями машинного обучения.
Основы машинного обучения
Познакомитесь с алгоритмами машинного обучения.
Классические методы: классификация, регрессия, деревья.
Кластеризация: метрики, DBSCAN, KMeans, агломеративная кластеризация, кластеризация деревьями.
Снижение размерности: SVD, PCA, tSN.
Обзор методов калибровки моделей и поиск аномалий.
Ансамбли: градиентный бустинг (adaboost, xgboost, catboost).
Итоги четверти
Познакомитесь с теорией вероятностей и математической статистикой.
Научитесь решать задачи по комбинаторике и узнаете о видах распределений, методах проверки статистических гипотез.
Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа.
Поймёте, как устроены алгоритмы на уровне математики.
Компьютерное зрение (Май - Август)
Введение в компьютерное зрение
Познакомитесь с основными задачами в компьютерном зрении, математической морфологией и библиотеками openCV и PIL.
Получите базовые навыки по работе с фильтрами и научитесь выделять глобальные и локальные признаки на изображении:
Глобальные: квантование RGB, HSV, фильтры Габора, признаки по контурам.
Локальные: детектор Харриса, SIFT, пирамида изображения, LoG, DoG, HOG.
В конце выполните проект по предобработке и классификации изображений классическими методами на известных датасетах.
Deep learning
Научитесь применять нейронные сети для компьютерного зрения и оценивать качество решения.
Узнаете, как работают свёрточные сети, продвинутые архитектуры, основные подходы к обработке трехмерных изображений, PyTorch. Научитесь применять сегментацию изображений, детекцию объектов.
Сможете решать задачи на генерацию текста по входному эмбеддингу и на автоматическое аннотирование изображений.
Прототипирование и интеграция
Научитесь формулировать бизнес-проблему в терминах машинного обучения, выстраивать процесс по её решению, находить данные для решения и проводить первичную разметку эвристиками.
Бизнес-процесс машинного обучения
Узнаете, как выглядит процесс постановки задачи машинного обучения, сбора данных и представления результата.
Что разберёте:
Парсинг: типы контента, requests, selenium.
Разметку данных и принципы Active learning.
Дообучение моделей с добавлением факторов.
Примеры задачи машинного обучения.
Итоги четверти
Что изучите:
Продвинутые архитектуры свёрточных нейронных сетей
Семантическую сегментацию, детекцию и локацию объектов, распознавание лиц и действий, отслеживание траектории в видео, перенос стиля изображения.
Дипломный проект
Сможете выбрать любую тему. Вы будете сами собирать и размечать данные, определять метрики качества и таргеты для обучения, обучать модель, готовить MVP в виде сервиса в Docker.
Темы:
1. Детекция объектов (масок на лицах, головных уборов).
2. Поиск похожих объектов (похожие автомобили, одежда).
3. Классификация изображений (данные на ваш выбор).
4. Style Transfer — перенос стиля изображения. Например, трансформация светлого времени суток в тёмное на фотографии.
5. Сегментация изображений.
Вас обучают лучшие эксперты
Амир Сафиуллин | Machine Learning Engineer в Mail.ru Group
Занимается рекомендательными системами Вконтакте. Раньше решал задачи компьютерного зрения в Skoltech, затем работал в «Юле» и Яндекс.Дзене: улучшал классификацию писем, алгоритмическую модерацию трафика, поиск товаров по рекомендациям и картинкам. Окончил МИФИ и магистратуру в ВШЭ.
Иван Максимов | Data Scientist в Delivery Club
Работал в PwC и ML Research. Создавал рекомендательные системы для ритейла, оптимизировал маркетинговые кампании на основе машинного обучения.
Мария Корлякова | МГТУ им. Н. Э. Баумана
Доцент, кандидат технических наук. Работает в калужском филиале МГТУ им. Баумана на кафедре «Системы автоматического управления и электротехника», отвечает за модуль интеллектуальной обработки информации. Разрабатывала системы технического зрения для ориентации и навигации на основе обучаемых моделей для Сосенского приборостроительного завода. Защитила кандидатскую диссертацию в области построения обучаемых интеллектуальных систем.
Продажник
new.geekbrains.ru/computer-vision
Длительность обучения - 11 месяцев. Результат - 3 кейса в портфолио
Кому подойдет курс
Новичкам в IT
Поможем с нуля освоить профессию разработчика компьютерного зрения. После обучения вы сможете работать на должности deep learning engineer, computer vision engineer, AI research engineer.
Начинающим разработчикам
Научитесь решать творческие бизнес-задачи, сможете специализироваться на компьютерном зрении, расширите и систематизируете знания по разработке.
Преимущества факультета по компьютерному зрению
Актуальная программа
Мы ежегодно обновляем программу обучения: проводим исследования и учитываем требования работодателей. Её можно освоить даже без технического образования или бэкграунда.
Практикующие преподаватели
Преподаватели — эксперты из GeekBrains, Delivery Club и МГТУ им. Баумана. Они помогали разрабатывать системы технического зрения, имеют опыт работы с рекомендательными системами и поиском товаров по картинкам.
Экспертиза Mail.ru Group — IT-гиганта
В группу входит много бизнес-продуктов: ВКонтакте, Delivery Club, Ситимобил и другие. Мы анализируем их развитие и делимся с вами накопленными знаниями.
Помогаем начать карьеру
Консультируем
Поможем проанализировать ваши компетенции и пути карьерного развития.
Помогаем с резюме
Чтобы вы выгодно выделялись на фоне конкурентов, наши HR-специалисты помогут составить резюме.
Составляем подборку вакансий
Менеджер по трудоустройству отправляет подборки вакансий, а вы откликаетесь на самые интересные.
Помогаем получить работу мечты
Дадим советы, как пройти собеседование, и поздравим с оффером
Программа обучения
Создание инфраструктуры (Октябрь - Декабрь)
Видеокурс: как учиться эффективно
Расскажем, как спланировать обучение, чтобы сохранить интерес, получить максимум пользы и всё успеть.
Вы узнаете, сколько времени уделять обучению, как эффективно выполнять практические задания, отслеживать прогресс и добиваться целей. Расскажем, как сохранять мотивацию во время обучения и справляться с чувством неуверенности и переизбытка информации.
Введение в высшую математику
Курс поможет погрузиться в профессию CV-инженера. У вас будут задачи из линейной алгебры, аналитической геометрии, математического анализа и теории вероятностей.
Введение в математический анализ
Освоите основные понятия: множество, интеграл, предел и производная функции.
Основы языка Python
Вы начнёте осваивать основы программирования на Python: пройдёте путь от переменных, циклов и ветвлений до создания программ с помощью объектно-ориентированного подхода.
Линейная алгебра
Расскажем о линейном пространстве, линейных преобразованиях и системах уравнений. Познакомитесь с матрицами, сингулярным разложением и матричными операциями.
Итоги четверти
Освоите технические основы CV-инженера.
Восполните знания по математическому анализу и линейной алгебре.
Рассмотрите примеры решения задач на Python.
Основы машинного обучения (Январь - Апрель)
Теория вероятностей и математическая статистика
Расскажем, как работать с корреляционным, дисперсионным и регрессионным анализом.
Вы узнаете, что такое случайные события, условная вероятность, формула Байеса, независимые испытания, доверительные интервалы. Познакомитесь с распределением Пуассона и описательными статистиками. Научитесь проверять статистические гипотезы и проводить A/B-тестирование.
Алгоритмы на Python.
Потренируетесь решать задачи с помощью фундаментальных алгоритмов и структур данных.
Библиотеки Python для Data Science: NumPy, Matplotlib
Познакомитесь с основными библиотеками машинного обучения. Узнаете, как визуализировать данные и работать с моделями машинного обучения.
Основы машинного обучения
Познакомитесь с алгоритмами машинного обучения.
Классические методы: классификация, регрессия, деревья.
Кластеризация: метрики, DBSCAN, KMeans, агломеративная кластеризация, кластеризация деревьями.
Снижение размерности: SVD, PCA, tSN.
Обзор методов калибровки моделей и поиск аномалий.
Ансамбли: градиентный бустинг (adaboost, xgboost, catboost).
Итоги четверти
Познакомитесь с теорией вероятностей и математической статистикой.
Научитесь решать задачи по комбинаторике и узнаете о видах распределений, методах проверки статистических гипотез.
Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа.
Поймёте, как устроены алгоритмы на уровне математики.
Компьютерное зрение (Май - Август)
Введение в компьютерное зрение
Познакомитесь с основными задачами в компьютерном зрении, математической морфологией и библиотеками openCV и PIL.
Получите базовые навыки по работе с фильтрами и научитесь выделять глобальные и локальные признаки на изображении:
Глобальные: квантование RGB, HSV, фильтры Габора, признаки по контурам.
Локальные: детектор Харриса, SIFT, пирамида изображения, LoG, DoG, HOG.
В конце выполните проект по предобработке и классификации изображений классическими методами на известных датасетах.
Deep learning
Научитесь применять нейронные сети для компьютерного зрения и оценивать качество решения.
Узнаете, как работают свёрточные сети, продвинутые архитектуры, основные подходы к обработке трехмерных изображений, PyTorch. Научитесь применять сегментацию изображений, детекцию объектов.
Сможете решать задачи на генерацию текста по входному эмбеддингу и на автоматическое аннотирование изображений.
Прототипирование и интеграция
Научитесь формулировать бизнес-проблему в терминах машинного обучения, выстраивать процесс по её решению, находить данные для решения и проводить первичную разметку эвристиками.
Бизнес-процесс машинного обучения
Узнаете, как выглядит процесс постановки задачи машинного обучения, сбора данных и представления результата.
Что разберёте:
Парсинг: типы контента, requests, selenium.
Разметку данных и принципы Active learning.
Дообучение моделей с добавлением факторов.
Примеры задачи машинного обучения.
Итоги четверти
Что изучите:
Продвинутые архитектуры свёрточных нейронных сетей
Семантическую сегментацию, детекцию и локацию объектов, распознавание лиц и действий, отслеживание траектории в видео, перенос стиля изображения.
Дипломный проект
Сможете выбрать любую тему. Вы будете сами собирать и размечать данные, определять метрики качества и таргеты для обучения, обучать модель, готовить MVP в виде сервиса в Docker.
Темы:
1. Детекция объектов (масок на лицах, головных уборов).
2. Поиск похожих объектов (похожие автомобили, одежда).
3. Классификация изображений (данные на ваш выбор).
4. Style Transfer — перенос стиля изображения. Например, трансформация светлого времени суток в тёмное на фотографии.
5. Сегментация изображений.
Вас обучают лучшие эксперты
Амир Сафиуллин | Machine Learning Engineer в Mail.ru Group
Занимается рекомендательными системами Вконтакте. Раньше решал задачи компьютерного зрения в Skoltech, затем работал в «Юле» и Яндекс.Дзене: улучшал классификацию писем, алгоритмическую модерацию трафика, поиск товаров по рекомендациям и картинкам. Окончил МИФИ и магистратуру в ВШЭ.
Иван Максимов | Data Scientist в Delivery Club
Работал в PwC и ML Research. Создавал рекомендательные системы для ритейла, оптимизировал маркетинговые кампании на основе машинного обучения.
Мария Корлякова | МГТУ им. Н. Э. Баумана
Доцент, кандидат технических наук. Работает в калужском филиале МГТУ им. Баумана на кафедре «Системы автоматического управления и электротехника», отвечает за модуль интеллектуальной обработки информации. Разрабатывала системы технического зрения для ориентации и навигации на основе обучаемых моделей для Сосенского приборостроительного завода. Защитила кандидатскую диссертацию в области построения обучаемых интеллектуальных систем.
Продажник
new.geekbrains.ru/computer-vision
