Досить бути користувачем готових моделей. Станьте розробником.
Більшість джунів вміють лише запускати готовий код YOLO, але губляться, коли модель помиляється або умови зйомки далекі від ідеальних.
Ми даємо базу — від лінійної алгебри матриць до синтезу власних нейромереж. Ви навчитеся «лікувати» шуми, працювати з туманом, нічною зйомкою та створювати унікальні рішення там, де стандартні архітектури безсилі.
Програма курсу
Мета: Опанувати фундамент візуальних даних та навчитися «чистити» сигнал у складних умовах.
-
Тема 1. Моделі подання та архітектура зображень.
-
Растровий та векторний зір: як алгоритми сприймають колір, координати та структуру.
-
Практика: Робота з бібліотеками NumPy, Pillow та Matplotlib.
- Домашнє завдання 1. Растрові та векторні цифрові зображення.
-
-
Тема 2. Signal Pre-processing: Фільтрація та реставрація.
-
Алгоритми очищення зображень від шумів, артефактів та погодних умов (туман, ніч).
-
Методи інтелектуального покращення якості для систем спостереження.
- Домашнє завдання 2. Фільтрація та покращення якості цифрових зображень.
-
Мета: Навчити програму розпізнавати об’єкти «в обличчя» та стежити за ними в русі.
-
Тема 3. Feature Extraction та Real-time Tracking.
-
Виділення унікальних ознак (дескрипторів) об’єктів.
-
Технології Object Tracking: відстеження траєкторії об’єктів у реальному відеопотоці.
- Домашнє завдання 3. Технології порівняння цифрових зображень та Object Tracking.
-
-
Тема 4. Machine Learning: від класифікації до прийняття рішень.
-
Кластеризація та автоматичне сортування візуальних даних (Scikit-learn).
- Домашнє завдання 4. Технології кластеризації та класифікації в Computer Vision
-
Побудова систем ідентифікації та розпізнавання образів.
- Домашнє завдання 5. Технології ідентифікації в Computer Vision.
-
Мета: Проектування власних нейромереж та вихід у третій вимір (Spatial Computing).
-
Тема 5. Глибинне навчання: синтез нейронних мереж.
-
Архітектура нейромереж: проектування «логічного ядра» системи з нуля.
-
Застосування фреймворків TensorFlow, Keras та PyTorch для прикладних задач.
- Домашнє завдання 6. Реалізація методів глибинного навчання в Computer Vision.
-
-
Тема 6. 3D Reconstruction та Digital Twins.
-
Відтворення тривимірного простору за плоскими зображеннями.
-
Робота з бібліотекою Open3D: побудова хмар точок та об’ємних моделей.
- Домашнє завдання 7. Технології реконструкції 3D зображень.
-
Ваш інструментарій
На курсі використовуються виключно industry-standard інструменти:
- Мова: Python
- Бібліотеки: NumPy, OpenCV, Scikit-learn, SciPy, Matplotlib
- Deep Learning: PyTorch, TensorFlow, Keras
- 3D-інженерія: Open3D
Більше про нашого тренера
Олексій Писарчук
- Computer Vision та Machine Learning у реальних продуктах
- Data Science і Big Data для прикладних бізнес-задач
- R&D та впровадження AI-рішень від ідеї до продакшену
Практик, а не теоретик:
- Брав участь у більш, ніж 30-ти R&D та комерційних проєктах у державних і приватних ІТ-компаніях України
- Працював в ролях Researcher та R&D Engineer, з фокусом на прикладні задачі Computer Vision
- Має досвід створення та масштабування AI-рішень, які зараз використовуються в реальних системах
Ви навчаєтесь у експерта, який працює з Computer Vision у реальних проєктах, тому маєте змогу отримати не абстрактну теорію, а підходи, які можна одразу застосувати в роботі.
Для кого цей курс?
-
Data Scientists: щоб додати у свій арсенал роботу з візуальними даними та 3D.
-
Розробники: які хочуть перейти від стандартного бекенду до створення систем комп’ютерного зору.
-
Геодезисти та OSINT-аналітики: для автоматизації рутинної роботи з супутниками та картами.
-
Industrial Tech фахівці: для впровадження систем контролю якості на виробництві.
FAQ
Чи потрібен попередній досвід у Computer Vision?
Ні. Курс розрахований на розробників із базовими знаннями Python і математики та поступово приводить до прикладного використання Computer Vision.
У якому форматі проходить навчання?
Онлайн-заняття за розкладом (Пн/Ср 19:00), практичні домашні завдання та матеріали для самостійної роботи.
Для яких ролей курс буде корисним?
Для Software Developers, Embedded Engineers, Research Engineers, Data Scientists і Python-розробників, які хочуть працювати з візуальними даними.
Чи буде підтримка від тренера?
Так. Ви працюєте з експертом, який має реальний досвід впровадження Computer Vision у проєктах і допомагає розібрати складні моменти.
Чи будуть у курсі YOLO або Transformers?
Ні. Ми свідомо фокусуємося на фундаменті. Наша мета — дати вам інженерну базу. Після курсу ви зможете опанувати YOLO чи будь-яку іншу SOTA-модель самостійно за кілька вечорів, бо розумітимете принципи її роботи.
Доступна оплата частинами без комісії та відсотків від ПриватБанк та Монобанк
