27 июля - 27 октября
ПРАКТИЧЕСКИЙ КУРС

Основы Deep Learning
в Computer Vision

Для тех, кто хочет войти в профессию и уже через месяц начать работать над проектами, реализовывать свои инженерные идеи и быть у истоков новых прорывных стартапов.

Записаться

Быстрое погружение в Deep Learning

5 недель
Готовя программу этого курса, мы хотели сделать погружение в машинное обучение интенсивным и практическим, чтобы уже через месяц студенты могли создать проект с нейросетью под капотом.
  1. Разберем базовые концепции и абстракции машинного обучения, типы алгоритмов и способы обучения.
  2. Пройдем мини-интенсив по NumPy — самой популярной библиотеке для быстрой работы с матрицами.
  3. Поработаем с многослойным перцептроном и сверточными сетями.
  4. Прикоснемся к более серьезным инструментам, таким как аугментации, кастомный DataLoader, scheduler и т.д.
  5. Разберемся с переносом обучения, построим классификатор, детектор и сегментатор на основе предобученных сетей.
  6. Посоревнуемся на платформе Kaggle InClass в качестве итогового практического задания.
Программа курса
Мы не просто учим студентов hard skills, мы ищем инженеров и изобретателей, чтобы вместе с ними запускать востребованные рынком проекты и реализовывать идеи не хуже, чем это делают в Кремниевой долине.

После курса — практика

8 недель

Работа в команде, практика и создание реальных продуктов

В «Корпусе» вы научитесь видеть проблемы и боли аудитории, проверять гипотезы и в короткие сроки запускать прототипы собственных продуктов, обладая при этом одним из самых востребованных навыков в IT — разработкой Machine Learning систем.

Вы работаете над своим проектом

На практике студенты распределяются по командам и в течение двух месяцев работают над прототипом собственного продукта.

«Корпус» предоставляет ресурсы

«Корпус» предоставляет технические ресурсы, помогает с аутсорс-работами и экспертизой, с получением грантов и поиском инвестиций.

После практики

Вы сможете продолжить работу над своим проектом или развивать навыки в одной из существующих команд «Корпуса». Мы поможем вам в этом.

Сейчас участники нашего комьюнити придумывают идеи для решения следующих задач:
  • диагностика состояния здоровья человека в реальном времени;
  • оценка эффективности использования рабочего времени персонала на основе компьютерного зрения;
  • создание контента с использованием нейросетей (синтез голоса, текстов, верстка дизайн-макетов).
Записаться

Бесплатное дистанционное обучение

Начало 27 июля
Продолжительность
5 недель — теория
8 недель — практика
15 занятий
по 3 раза в неделю
2 занятия — основной курс
1 занятие — тимбилдинг
Подайте заявку! Всего 30 бесплатных мест на курсе!
*обязательные поля
Создание прототипа за два месяца
Трансляции занятий и доступ к записи
Общение с преподавателями и группой в чате

Преподаватели

Ренат Абясов
Куратор курса, преподаватель по Machine Learning
Опыт в Data Science — 4 года
Кирилл Буровин
Преподаватель по Deep Learning
Автор YouTube-канала Data Science Guy
Максим Васюк
Преподаватель по Deep Learning
Артем Назаренко
Преподаватель по Deep Learning

Кому подойдет этот курс

Если вы немного разбираетесь в программировании
Курс построен таким образом, что вы можете начать учебу, не имея опыта в ML. Однако без базовых навыков программирования вам будет сложно: для входа в профессию желательно иметь хотя бы полгода опыта разработки.
Если вы владеете английским языком
Нужно уметь читать техническую литературу на английском языке.
Если вы хотите делать свой проект
Мы поможем обрести навык в ML и научим продуктовой разработке, чтобы уже через несколько недель вы могли выпускать прототипы.
Записаться

Программа курса

Урок 1. Базовые концепции машинного обучения
  • Что такое машинное и глубинное обучение. Сферы применения.
  • Типы решаемых задач и способы обучения алгоритмов.
  • Подготовка данных для обучения машины.
  • Практическое задание. Разработка простейшего алгоритма для поиска похожих по смыслу предложений.
Урок 2. Линейные модели
  • Разбор линейной регрессии — самого популярного алгоритма из мира машинного обучения. Качество алгоритма и как его измерить.
  • Практическое задание. Построение прогнозной модели для одного из баров Сан-Паулу.
Урок 3. Классификация и переобучение
  • Что такое переобучение и как с ним бороться.
  • Типовые метрики качества для задачи классификации.
  • Практическое задание. Задача из медицинской сферы.
Урок 4. Основы NumPy
  • NumPy и зачем он нужен.
  • Основы NumPy.
  • Обзор полезных функций NumPy.
  • Практические задания.
Урок 5. Практическое занятие по многослойному перцептрону. Старт соревнования
  • Многослойный перцептрон и зачем он нужен.
  • Написание базового пайплайна для обучения нейронной сети (полносвязные слои) для датасета FashionMNIST.
  • Применение функций активации, слоев и оптимизаторов.
  • Практическое задание. Улучшение работы сети, цель — добиться точности 90+ процентов.
  • Старт соревнования на площадке Kaggle InClass.
Урок 6. Практическое занятие по сверточным сетям
  • Сверточные сети и принцип их работы.
  • Написание базового пайплайна для обучения нейронной сети (сверточные слои) для датасета FashionMNIST.
  • Практическое задание. Снова прокачиваем свою сетку, нужно побить предыдущий рекорд.
  • Работа с архитектурами, реализация более сложных и глубоких сетей.
Урок 7. Аугментация данных и загрузчик изображений в сверточных сетях
  • Аугментация данных и зачем она нужна.
  • Загрузка пользовательских данных для обучения (кастомные Dataset/DataLoader).
  • Применение набора аугментаций с помощью библиотеки Albumentations.
  • Методы улучшения работы сети и показателей.
Урок 8. Перенос обучения на примере классификации
  • Полный цикл обучения с применением early stopping, validation, model saving.
  • Инференс модели путем загрузки ее из файла.
Урок 9. Детекция объектов на изображениях
  • Обзор архитектур для детекции на изображениях.
  • Детекция изображений с помощью предобученных моделей и популярных библиотек (cv2, dlib, detectron2 и mtcnn).
Урок 10. Сегментация (U-net)
  • Сегментация и ее отличие от детекции, типовые метрики и функции потерь.
  • Инференс модели и обучение сегментатора на основе библиотеки segmentation models.
  • Подведение итогов соревнования на площадке Kaggle InClass.
Пройдя этот курс, вы продолжите развитие в области ML. Наш интенсив и практика — это первый шаг: вы получите навык разработки, опыт работы над продуктом и сможете стать одним из основателей нового бизнеса.
Подайте заявку! Всего 30 бесплатных мест на курсе!
*обязательные поля

Если у вас нет профиля на GitHub или реализованных проектов в открытом доступе, мы вышлем в ответ на форму небольшое тестовое задание, чтобы вы могли понять, подходит ли вам наш курс

Кон такты

Тел.: +7 968 127 96 93
E-mail: sash@korpus.io

г. Челябинск,

ул. Академика Сахарова, 26