Szkolenie 5-dniowe
Deep Learning w praktyce: zastosowania w wizji komputerowej
Szkolenie 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.
Terminy i cena szkolenia
Sprawdź najbliższe terminy szkolenia i wybierz tryb nauki, który najlepiej odpowiada Twoim preferencjom.
Cena: 4 750 zł netto + 23% VAT (5 842 zł brutto/os)
Tryb weekendowy
Najbliższy termin: 17.05.2025 r.2 weekendy po 8 godzin (9:00-17:00) + 1 sobota.
3x sobota i 2x niedziela.
Cele szkolenia
Zgłębienie zaawansowanych architektur sieci neuronowych, takich jak CNN, Transformer i RNN.
Zrozumienie metod klasyfikacji, segmentacji, detekcji oraz generowania obrazów.
Opanowanie technik transfer learning i fine-tuningu modeli w praktycznych zastosowaniach.
Zapoznanie się z najnowszymi technologiami przetwarzania wideo z wykorzystaniem modeli głębokiego uczenia.
Wykorzystanie nowoczesnych frameworków, takich jak PyTorch, do implementacji, trenowania i wdrażania modeli.
Dla kogo jest to szkolenie?
Szkolenie jest skierowane do osób z co najmniej podstawową wiedzą z zakresu uczenia maszynowego i doświadczeniem w pracy z obrazami, w tym programistów, analityków danych, specjalistów baz danych, statystyków oraz data scientistów, którzy chcą rozwijać swoje umiejętności w obszarze 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.
Dlaczego warto wziąć udział w szkoleniu?
Szkolenie 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 obejmuje szeroki wachlarz zadań uczenia maszynowego i ich zastosowań w wizji komputerowej.
Program szkolenia
1. 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
2. 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
3. Zaawansowane architektury CNN
- ✔️ Omówienie architektur: AlexNet, VGGNet, ResNet, Inception Networks, EfficientNet
- ✔️ Klasyfikacja obrazów z wykorzystaniem sieci neuronowych
- ✔️ Praktyczna implementacja w PyTorch
4. 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
5. 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?
6. 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
7. 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
8. 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
9. 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
10. 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