Описание
Курс “Разработка нейронных сетей для обработки и генерации изображений” является углубленным учебным пособием по изучению принципов работы и применения нейронных сетей в области компьютерного зрения и обработки изображений. Данный курс рассчитан на слушателей, обладающих базовыми знаниями в области машинного обучения и опытом разработки на Python.
В рамках курса будут рассмотрены основные архитектуры нейросетей, применяемые для обработки изображений, а также алгоритмы и методы, используемые для обучения таких сетей. Слушатели познакомятся с различными методами оптимизации и регуляризации, а также с инструментами для оценки качества работы нейронных сетей.
Курс включает в себя практические вебинары с тренером и возможность самостоятельного решения практических задач. В процессе обучения слушатели научатся создавать собственные нейросети для решения различных задач обработки изображений, таких как сегментация, обнаружение объектов и генерация изображений.
удостоверение о повышении квалификации государственного образца
Цели
Целевая аудитория
Предварительная подготовка
Уверенное владение языком Python3 и популярными модулями для обработки численных данных (numpy, scikit-learn, matplotlib и т.д.)
Разбираемые темы
-
1.Введение в искусственные нейронные сети. Современное применение нейронных сетей. [Теория – 2 ч., практика – 2 ч. ДЗ – 2 ч ]
-
Архитектуры нейронных сетей. Нейрон, веса, функции активации, обучение
-
Области применения нейронных сетей
-
Основные классы задач, решаемых сетями
-
Фреймворки для глубокого обучения (PyTorch, TensorFlow, Keras)
-
-
2.Оптимизация нейронной сети [теория – 1 ч., практика – 1 ч., ДЗ – 2 ч)
-
Методы оптимизации, метрики, функции потерь, управление гиперпараметрами
-
Алгоритм градиентного спуска и его варианты
-
Регуляризация, Dropout, Batch Normalization
-
-
3.Свёрточные нейронные сети [теория – 1 ч., практика – 1 ч., ДЗ – 2 ч.]
-
Архитектура CNN. Фильтры, пулинг, 1D/2D/3D
-
Обучение сверточных сетей
-
Идеи удачных архитектур: AlexNet, VGG, Inception, ResNet
-
-
4.Transfer learning & Fine-tuning [теория – 1 ч., практика – 1 ч., ДЗ – 2 ч.]
-
Способы доучивания сетей: полные и частичные
-
Использование предобученных сетей в других задачах
-
-
5.Сегментация и детектирование объектов [теория – 1 ч., практика – 2 ч., ДЗ – 2 ч.]
-
Сети для сегментации изображений
-
Сети для детектирования объектов на изображениях
-
-
6. Генеративные сети [теория – 1 ч., практика – 2 ч., ДЗ – 2 ч.]
-
GAN для генерации изображений
-
Диффузионные модели. Stable Diffusion
-
-
Итого: теория – 7 ч (40%), практика – 9 ч (60%) + 12 ч на ДЗ
