Szkolenie dostępne na zamówienie

Zastosowania uczenia głębokiego w zadaniach wizji komputerowej

Szkolenie "Zastosowania uczenia głębokiego w zadaniach wizji komputerowej" obejmuje zaawansowane techniki i architektury sieci neuronowych stosowane w zadaniach wizji komputerowej. Uczestnicy szkolenia poznają nowoczesne modele, takie jak splotowe sieci neuronowe (CNN) i sieci Transformer w problemach segmentacji obrazów, detekcji obiektów, a także generowania obrazów i analizy wideo. Szkolenie skupia się na aplikacjach przemysłowych z wykorzystaniem najnowszych technologii, takich jak PyTorch.

3950 PLN+23% VAT (4858 PLN brutto / 1 os.)

Czas trwania szkolenia:5 dni (40h)

Poziom zaawansowania:

Kod kursu:DL/CV

pythonanalysisvisualization

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja
Brak dostępnych terminów

Forma szkolenia

Interesuje Cię szkolenie stacjonarne?

Dostępne terminy

Interesują Cię inne terminy?

Zastosowania uczenia głębokiego w zadaniach wizji komputerowej

Cele szkolenia

  • Poznanie zaawansowanych architektur sieci neuronowych CNN, Transformer i RNN

  • Zrozumienie metod klasyfikacji, segmentacji, detekcji i generowania obrazów

  • Opanowanie technik transfer learning i fine-tuning modeli w praktycznych zastosowaniach

  • Poznanie najnowszych technologii do przetwarzania wideo przy użyciu modeli uczenia głębokiego

  • Zastosowanie nowoczesnych frameworków, takich jak PyTorch, do implementacji, trenowania i wdrażania modeli


Dla kogo?

  • Osób, które mają co najmniej podstawową wiedzę z obszaru uczenia maszynowego

  • Programistów, analityków danych, programistów baz danych, statystyków, data scientistów, którzy chcą rozwinąć swoje umiejętności w domenie wizji komputerowej

  • Osób, które posiadają podstawowe doświadczenie w pracy z obrazami


Zalety

  • Szkolenie "Zastosowania uczenia głębokiego w zadaniach wizji komputerowej" obejmuje najnowsze metody i architektury używane w przemyśle w zadaniach wizji komputerowej

  • Skupienie na rzeczywistych aplikacjach biznesowych

  • Szkolenie pozwala na zdobycie praktycznych umiejętności w pracy z zaawansowanymi frameworkami

  • Szkolenie "Zastosowania uczenia głębokiego w zadaniach wizji komputerowej" obejmuje szeroki wachlarz zadań uczenia maszynowego i ich zastosowań w wizji komputerowej


Wymagania

  • Znajomość podstaw wizji komputerowej i głębokiego uczenia

  • Doświadczenie w programowaniu w Pythonie

  • Podstawowa umiejętność korzystania z frameworków do uczenia głębokiego, takich jak TensorFlow lub PyTorch


W cenie otrzymasz:

  • Materiały szkoleniowe

  • Certyfikat ukończenia szkolenia

  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Program

Pobierz program w PDF

Wprowadzenie do uczenia głębokiego w wizji komputerowej

  • Podstawy uczenia głębokiego i splotowych sieci neuronowych (CNN)

  • Przegląd narzędzi i frameworków do uczenia głębokiego

  • Wprowadzenie do biblioteki PyTorch

  • Zastosowania w przemyśle i biznesie

Splotowe sieci neuronowe (CNN)

  • Warstwy sieci CNN: warstwy splotowe, pooling, aktywacja, warstwy w pełni połączone

  • Proces uczenia sieci CNN

  • Wykrywanie wzorców w obrazach

  • Techniki optymalizacji i regularyzacji architektur CNN

Zaawansowane architektury CNN

  • Omówienie architektur: AlexNet, VGGNet, ResNet, Inception Networks, EfficientNet

  • Klasyfikacja obrazów z wykorzystaniem sieci neuronowych

  • Praktyczna implementacja w PyTorch

Wprowadzenie do sieci Transformer w wizji komputerowej

  • Visual Transformers (ViT)

  • Mechanizm self-attention

  • Hybrydowe modele CNN i Transformer

  • Modele wizyjno-językowe

  • Kompromis między wielkością modelu a specjalizacją w rzeczywistym problemie

Transfer wiedzy i dostrajanie modeli wizji komputerowej

  • Transfer learning

  • Fine-tuning

  • Przykłady zastosowań i architektur

  • Kiedy warto stosować transfer learning, a kiedy budować model od zera?

Segmentacja semantyczna obrazów

  • Problem segmentacji i zastosowania

  • Wybrane architektury: SegNet, U-Net, PSPNet, DeepLabV3+

  • Wybrana biblioteka w Python - Segmentation Models PyTorch

  • Model Segment Anything

  • Produkcyjne zastosowania segmentacji

Detekcja obiektów na obrazach

  • Problem detekcji oraz metody ewaluacji modeli

  • Architektury R-CNN (Region-based CNN)

  • Algorytm Non-Maximum Supression

  • Detekcja obiektów w czasie rzeczywistym - YOLO (You Only Look Once)

  • Architektura Faster R-CNN

  • Wybrana biblioteka w Python - mmDetection

  • Przykłady zastosowań algorytmów detekcyjnych

Generowanie i przekształcanie obrazów przy użyciu sieci neuronowych

  • Wprowadzenie do modeli generatywnych

  • Autoenkodery

  • Architektury GAN (Generative Adversarial Networks)

  • Sieci StyleGAN i CycleGAN

  • Wprowadzenie do modeli dyfuzyjnych

  • Zastosowania modeli generatywnych i związane z nimi zagrożenia

Sieci neuronowe RNN i Transformer w analizie wideo

  • Analiza sekwencji obrazów z zastosowaniem architektur RNN (Recurrent Neural Networks), LSTM i GRU

  • Transformery w analizie wideo

  • Zastosowania modeli uczenia głębokiego w strumieniach wideo

Wdrażanie modeli wizji komputerowej na dużą skalę

  • Optymalizacja modeli do pracy w środowiskach produkcyjnych

  • Skalowalność modeli wizji komputerowej

  • Wdrażanie modeli w chmurze i na urządzeniach brzegowych

  • Monitorowanie i aktualizacja modeli w środowisku produkcyjnym