 |
 |
 | (495) 925-0049, ITShop интернет-магазин 229-0436, Учебный Центр 925-0049 |
 |
 |
 |
|||||||
|
Вход
Регистрация |
|||||||||
| |||||||||||||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||
|
Курс "Глубокое обучение (нейронные сети) на Python часть 4. Компьютерное зрение"
Код: EDU-Python-25
Продолжительность - 10 дней
Компьютерное зрение (Computer Vision, CV) – это автоматическая фиксация и обработка изображений неподвижных и движущихся объектов при помощи компьютерных средств. На курсе "Глубокое обучение (нейронные сети) на Python часть 4. Компьютерное зрение" слушатели познакомятся с основными методами машинного обучения в технологии компьютерного зрения, используя возможности и библиотеки Python. Прослушав данный курс, Вы узнаете:
Научитесь:
Аудитория: начинающие специалисты в области программирования, рассматривающие предмет как ступень к изучению Data Science, желающих начать знакомство с темой машинного обучения с технологией компьютерного зрения. Предварительная подготовка: 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). Курсы, рекомендуемые для предварительного прохождения:
Курсы, рекомендуемые для последующего прохождения:
Программа курса1 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 В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения.
Свободно распространяемое программное обеспечение популярно как среди частных лиц, так и среди организаций. Действительно, СПО позволяет серьезно экономить на приобретении лицензий для компаний, которые многократно тиражируют программное решение. Также благодаря тому, что СПО можно квалифицированно дорабатывать собственными силами под конкретные нужды организации, оно приобретает еще и дополнительную гибкость и удобство в использовании. Открытое программное обеспечение — это программное обеспечение с открытым исходным кодом. Исходный код создаваемых программ открыт, то есть доступен для просмотра и изменения. Это позволяет использовать уже созданный код для создания новых версий программ, для исправления ошибок и, возможно, помочь в доработке открытой программы. В конце обучения на курсах проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненные в процессе обучения. Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.
|
|
|||||||||||||||||||||||||||||||
