Курси Data Science та Machine learning

На курсі ви навчитеся створювати, налаштовувати та вдосконалювати спеціалізовані генеративні моделі, які відповідають вашим потребам, виявляти й усувати загрози, пов’язані з використанням GenAI, оцінювати якість згенерованих даних і налаштовувати гіперпараметри для коректної роботи. Окрім того, розробите власну генеративну модель для створення тексту та додасте її до портфоліо.

Програма курсу

Знайомство з професією Generative AI Developer

• Зрозумієте основні концепції та значення генеративного ШІ в сучасному світі
• Дізнаєтеся варіанти застосування генеративного ШІ в різних галузях
• Знатимете ролі та обов’язки розробника генеративного ШІ та інструментів, які він використовує
• Навчитеся визначати й пропонувати рішення з використанням генеративного ШІ в реальних сценаріях

Структура та функціонування нейронних мереж

• Зрозумієте структури й типи нейронних мереж
• Навчитеся реалізовувати базові нейронні мережі за допомогою популярних фреймворків

Дані та підготовка моделі: препроцесинг, метрики, оцінка

• Опануєте обробку даних для моделювання
• Навчитеся використовувати метрики для оцінювання ефективності моделі

Претрейнінг, файнтюнінг і трансфер-лернінг

• Розберете процеси перенавчання моделей
• Навчитеся оптимізувати результати за допомогою трансферного навчання

Розширені архітектури нейромереж

• Розберете розширені архітектури нейромереж: CNN, RNN, LSTM, трансформери
• Навчитеся працювати з різними типами даних: зображеннями, текстами, послідовностями

Вступ до Generative AI: LLM, TTS, Image Gen

• Зрозумієте, як влаштовані сучасні генеративні моделі:
  • Large Language Models (LLMs)
  • Text-to-Speech (TTS)
  • Image Generation
• Дізнаєтеся про принципи генерації тексту, голосу, зображень

Практичне застосування GenAI: ChatGPT, Copilot, Elevenlabs

• Проаналізуєте приклади застосування Generative AI у реальних продуктах
• Навчитеся обирати оптимальні рішення для бізнес-завдань

Основи Prompt Engineering

• Опануєте базові принципи побудови запитів для LLMs
• Навчитеся формулювати промпти для отримання кращих результатів

Просунуті технології Prompt Engineering: галюцинації, ін'єкції, температури

• Дізнаєтеся, як керувати поведінкою моделей через налаштування запитів
• Розберете стратегії боротьби з галюцинаціями та безпекові аспекти промптингу

RAG: бази даних, ембединги, вибір оптимального підходу

• Опануєте Retrieval-Augmented Generation (RAG)
• Навчитеся інтегрувати бази знань у LLM

Автоматизація AI-процесів: Langchain, Autogpt, AI-агенти

• Дізнаєтеся про архітектуру AI-агентів і платформи автоматизації
• Навчитеся будувати власних агентів на основі LangChain та AutoGPT

Розробка AI-рішення: чат-бот від ідеї до інтеграції

• Розробите концепцію та архітектуру власного чат-бота на базі Generative AI
• Навчитеся інтегрувати рішення в реальний продукт

TTS/STT: голосові технології в AI

• Зрозумієте принципи перетворення тексту на мову та навпаки
• Навчитеся створювати голосові інтерфейси

Voice Cloning: як працює клонування голосу

• Дізнаєтеся, як створюють цифрові копії голосу
• Навчитеся працювати з технологіями клонування аудіо

Етика та відповідальність в AI

• Розглянете етичні питання використання Generative AI
• Навчитеся виявляти ризики та створювати відповідальні рішення

AI у бізнесі: автоматизація, маркетинг, аналітика

• Дізнаєтеся, як застосовувати GenAI для автоматизації та оптимізації бізнес-процесів
• Розберете реальні кейси в маркетингу та аналітиці

Тренди та майбутнє GenAI: Gpt-40, AGI, Автономні агенти

• Дізнаєтеся про майбутнє розвитку Generative AI
• Розглянете вплив автономних агентів та AGI на технологічний ландшафт

Презентація підсумкового проєкту

• Побудуєте модель генеративного АІ, яка зможе генерувати реалістичний текст на основі вхідних даних
• Презентуєте власну АІ-модель
• Отримаєте професійний фідбек та рекомендації для розвитку

Особливості курсу

• Теорія + практика
• Підтримка ментора
• Сертифікат про проходження курсу
• Проєкт в портфоліо
• Курсовий проєкт

Викладачі курсу

• Данило Нартов - GenAI Engineer at UniData Lab
• Юрій Хома - Co-founder & CEO UniData Lab

Ви станете експертом у AI, машинному навчанні та розробці AI-рішень для бізнесу. Опануєте Python, SQL, TensorFlow, PyTorch, Scikit-learn, MLflow, Google Cloud, Apache Spark, а також методології Deep Learning, Generative AI, MLOps, Responsible AI. Будете навчатись у практиків з топових продуктових та сервісних компаній: Epam, Ciklum, Intellias, Softserve та застосовувати знання на практиці, створюючи AI-моделі, автоматизуючи процеси та розробляючи генеративні системи. Дипломним проєктом стане власний стартап, який ви запітчите перед інвесторами, або AI-проєкт для реального бізнесу.

Програма курсу

Tier 1

Python Programming: Foundations and Best Practies

Ви опануєте Python, навчитеся розробляти програми з використанням структур даних та алгоритмів, а також писати чистий, модульний та ефективний код, дотримуючись найкращих практик програмування.

Mathematics for Computer and Introduction to Problem-Solving Techniques

Ви здобудете теоретичні та практичні компетенції у математичних методах розв'язання інженерних задач, опануєте математичний апарат для роботи з моделями, навчитеся застосовувати основні математичні методи для аналізу, моделювання, оптимізації програмних рішень та обробки експериментальних даних.

Basic Algorithms and Data Structures

Ви оволодієте сучасними алгоритмами та структурами даних для ефективного збереження та обробки великих масивів інформації, навчитеся аналізувати, порівнювати та обирати оптимальні алгоритми, будувати структуровані рішення для програмного забезпечення та оцінювати їхню ефективність у реальних інформаційних системах.

Tier 2

Numerical Programming in Python

Ви навчитеся працювати з чисельними методами, обчислювати математичні моделі та оптимізувати алгоритми для аналітики та машинного навчання.

Relational Databases: Concepts and Techniques in Data Analytics

Ви опануєте роботу з реляційними базами даних, навчитеся створювати запити для аналізу даних та оптимізувати роботу з великими масивами інформації.

Machine Learning: Fundamentals and Applications

Ви опануєте основи машинного навчання, навчитеся будувати та оцінювати ML-моделі, працювати з класифікацією, регресією та кластеризацією, а також застосовувати алгоритми у реальних задачах.

Visual Analytics for Big Data

Ви навчитеся аналізувати та візуалізувати великі обсяги даних, працювати з BI-інструментами, розуміти закономірності та приймати рішення на основі аналітики.

Introduction to Deep Learning

Опануєте основи глибокого навчання, розберетеся в архітектурі нейронних мереж та навчитеся працювати з CNN, RNN, LSTMs та трансформерами.

Generative and Agentic AI

Ви заглибитеся у генеративні моделі та агентний AI, навчитеся працювати з LLM, GANs, Diffusion Models та інтегрувати генеративні алгоритми у продукти.

Applied Machine Learning: Business Cases

Ви навчитеся застосовувати машинне навчання у бізнесі, працювати з реальними кейсами та будувати рішення для автоматизації процесів, прогнозування та аналітики.

Data Engineering

Опануєте принципи роботи з великими обсягами даних, ETL-процеси, оптимізацію збереження даних та обробку інформації у реальному часі.

Product Analytics and Applied Statistics

Ви навчитеся працювати з аналітикою продукту, проводити A/B-тести, будувати статистичні моделі та приймати рішення на основі даних.

Tier 3

Cloud Computing for ML/AI and Data Preprocessing

Ви навчитеся працювати з хмарними платформами, запускати ML-моделі у клауді та автоматизувати обробку великих масивів даних.

MLOps CI/CD

Опануєте принципи безперервної інтеграції та розгортання моделей ML, побудови пайплайнів та автоматизації процесів навчання моделей.

Agile Product Management for Software Development Teams

Навчитеся ефективно керувати IT-продуктами, працювати у гнучких командах та застосовувати Agile-методології у розробці AI-рішень.

Career Strategies and Soft Skills for IT Professionals

Розвинете навички комунікації, переговорів, публічних виступів та ефективної роботи в команді, що критично важливо для успішної кар'єри в AI.

Дипломний проєкт

Applied Computer Science: Capstone Project

Фінальний проєкт, у якому ви розробите реальне AI-рішення або автоматизовану ML-систему, що можна впровадити у бізнес.

Ваш результат після навчання

• Опануєте Numerical Programming in Python, Machine Learning, Deep Learning, Generative AI та Agentic AI, навчитеся працювати з моделями для аналізу, прогнозування та автоматизації
• Опануєте реляційні бази даних, Data Engineering, Product Analytics та Applied Statistics, навчитеся будувати ефективні data-пайплайни
• Зможете працювати з Applied Machine Learning, використовувати Visual Analytics for Big Data для ухвалення стратегічних рішень
• Навчитесь автоматизувати пайплайни з MLOps CI/CD та забезпечувати ефективність, масштабованість моделей
• Отримаєте навички Agile Product Management, навчитеся ефективно працювати у командах розробки AI-рішень
• Опануєте Numerical Programming in Python, Machine Learning, Deep Learning, Generative AI та Agentic AI, навчитеся працювати з моделями для аналізу, прогнозування та автоматизації

Особливості курсу

• Допомога ментора
• Практика
• Проєкти в портфоліо
• Дипломна робота
• Сертифікат про проходження курсу
• Умови вступу:
  • Без ЄВІ/ЄФВВ
  • Диплом про попередню освіту

Викладачі курсу

• Богдан Коваль - Senior Software Engineer at Netflix
• Нік Білогорський - Ex-Director Security Google
• Віталій Нужний - Head of Ukraine
• Роман Прокоф'єв - Засновник Jooble
• Дмитро Лисицький - Співзасновник укр.філії GlobalLogic та стартапу Influ2
• Євген Сисоєв - Керівний партнер інвесткомпанії AVentures Capital
• Юлія Грущинська - Керівник відділу HR-партнерів в Ciklum
• Robert Potter - Co-Founder at Internet 2.0
• Костянтин Магалецький - Екс-партнер Horizon Capital
• Василь Тофан - Старший партнер Horizon Capital
• Марина Євдокименко - Президентка асоціації Women4Cyber Ukraine
• Сергій Борона - Head of Information Security at Ciklum
• Олексій Барановський - Senior Application Security Engineer at Intellias
• Олег Осадчук - Python Software Engineer at EPAM
• Олег Сінькевич - Machine Learning engineer at EngenAI
• Максим Лизогуб - ML Engineer at Everymatrix
• Володимир Голомб - Lead Data Scientist & ML Engineer at RBC Group
• Катерина Коцюбівська - Співзасновниця ГО "Агенція сталого розвитку та освітніх ініціатив"
• Антон Чорний - Agile product management lecturer / CEO of GoIT
• Юрій Кучма - Basic Algorithms Lecturer
• Андрій Білик - COO at WEBGORILLA Studio
• Олексій Репін - Frontend Developer at GoIT
• Максим Алієв-Ломач - Full Stack Engineer at AIWEB Solutions
• Руслана Ковальчук - Head of Career Center, GoIT
• Юлія Мельник - Head of Study at GoIT
• Юлія Олійник - Scrum Master & Project Manager at GoIT
• Ярослав Косиця - Frontend Developer at SoftRyzen
• Олег Андрус - Python Programming Lecturer
• Олексій Кудін - Data Scientist/ML Engineer at Upwork
• Тетяна Філімонова - Associate Professor at the Faculty of Information Technology
• Артур Гіль - Security Engineering Lead at Cossack Labs
• Ольга Караіван - SOC Engineer at Pharmbills
• Ярослав Малоокий - Cybersecurity Engineer at Kavitech
• Прокопенко Юрій - Директор з інформаційної безпеки Банку Кредит Дніпро (BCD)

Курс навчить розв'язувати основні задачі Data Science за допомогою поглибленої роботи з Python та його бібліотеками. В результаті ви зможете будувати просунуті візуалізації, знаходити взаємозв'язки в даних, робити прогнози та навчати моделі.

Програма курсу

Задачі Data Science. Interactive Python і знайомство з NumPy

• Дізнаєтеся, чим машинне навчання відрізняється від класичного програмування, та ознайомитеся з видами задач машинного навчання
• Опануєте інструменти для інтерактивної роботи з Python [IPython, Jupyter Notebook та Google Colaboratory]
• Познайомитеся з бібліотекою NumPy
• Навчитеся працювати з типом даних Array: ініціалізація, характеристики, копіювання, типи даних, reshape, фільтрація, сортування
• Вивчите базові математичні функції Array
• Навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy

NumPy. Лінійна алгебра і статистика

• Отримаєте коротке введення до лінійної алгебри та розберете на прикладах, як ці математичні функції працюють у бібліотеці NumPy
• Навчитеся використовувати математичні та статистичні функції в NumPy
• Навчитеся вводити та виводити NumPy-матриці та масиви різної величини

Знайомство з Pandas

• Дізнаєтеся, навіщо потрібна бібліотека Pandas і що вона дозволяє робити з даними
• Ознайомитеся зі структурами даних у Pandas (Series та Dataframe) і навчитеся проводити базові операції над ними
• Навчитеся створювати, імпортувати та експортувати табличні дані в Pandas Dataframe
• Навчитеся маніпулювати табличними даними
• Дізнаєтесь, як швидко та зручно працювати з табличними даними за допомогою Pandas

Візуалізація даних

• Ознайомитеся з бібліотекою Matplotlib
• Навчитеся будувати базові візуалізації в Python за допомогою Matplotlib
• Дізнаєтеся про три способи візуалізувати дані в Pandas Data Frame
• Навчитеся будувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
• Навчитеся будувати базові інтерактивні візуалізації

Exploratory Data Analysis (EDA) та очистка даних

• Дізнаєтеся, що таке Exploratory Data Analysis (EDA) та його основні компоненти
• Навчитеся швидко розуміти структуру набору даних будь-якого розміру
• Дізнаєтеся, що робити з пропущеними даними та дублікатами
• Навчитеся проводити EDA за допомогою Pandas, SweetViz, Pandas Profiling

Пошук та видалення пропущених значень

• Дізнаєтеся, що таке пропущені значення та чому їх треба опрацьовувати
• Ознайомитеся з типами пропущених значень (випадкові, наслідки системної помилки тощо)
• Навчитеся виявляти пропущені значення у вибірці даних
• Ознайомитеся з різними способами заповнення пропущених значень і навчитеся використовувати кожен із них

Задача прогнозування. Лінійна регресія. Градієнтний спуск

• Розберете модель простої лінійної регресії та її математичну основу
• Ознайомитеся з методом найменших квадратів і методом градієнтного спуску
• Навчитеся тренувати модель лінійної регресії за допомогою бібліотеки scikit-learn
• Дізнаєтесь, як оцінювати якість моделі лінійної регресії, та навчитеся працювати з метриками MSE і RMSE

Інші типи регресій

• Розберете модель багатовимірної лінійної регресії та навчитеся будувати її за допомогою scikit-learn
• Навчитеся інтерпретувати коефіцієнти лінійної регресії
• Розберете модель поліноміальної регресії
• Дізнаєтесь, як оцінювати якість моделі за допомогою метрик MAE, MAPE, R-squared
• Розберете моделі гребінцевої регресії, регресії за методом LASSO та регресії "еластична мережа"

Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів

• Дізнаєтеся, навіщо розбивати вибірку на train/validation/test-вибірки
• Зрозумієте, в чому відмінність validation- і test-вибірок
• Дізнаєтеся, що таке гіперпараметри моделі та в чому їхня відмінність від параметрів
• Ознайомитеся з методами підбору гіперпараметрів і навчитеся викликати їх у scikit-learn
• Дізнаєтеся, що таке перехресна валідація та як використовувати її в sklearn
• Зрозумієте, що таке overfit i underfit (і чому це проблема)
• Навчитеся застосовувати регуляризацію в моделях регресії

Задача класифікації. Логістична регресія

• Дізнаєтесь, як навчати модель логістичної регресії для класифікації даних і оцінювати її якість
• Отримаєте алгоритм дій у випадку мультикласової класифікації та зрозумієте, як оцінити якість таких моделей

Модель "дерева рішень"

• Ознайомитеся з моделлю "дерева рішень" і дізнаєтеся, в чому її відмінність від лінійних моделей
• Навчитеся будувати модель "дерева рішень" у scikit-learn

Ансамблі моделей

• Зрозумієте, як працюють ансамблі моделей і в чому їхні переваги
• Розберете базові (Max Voting, Averaging, Weighted Averaging) та просунуті (Stacking, Bagging, Boosting) техніки побудови ансамблів
• Навчитеся будувати різні типи ансамблів моделей
• Дізнаєтеся, який спосіб ансамблювання потрібно використати у випадку high bias, а який - у випадку high variance

Алгоритми бустингу: адаптивний та градієнтний бустинг. Бібліотеки XGBoost

• Вивчите принципи роботи адаптивного і градієнтного бустингів
• Ознайомитеся з функціями бібліотеки XGBoost, розберете її особливості та переваги

Кластерний аналіз даних

• Розберете модель кластеризації як приклад задачі навчання без учителя
• Розберете моделі кластеризації K-Means, DBSCAN, Agglomerative Clustering, а також їхні особливості побудови та принципи роботи на практиці
• Навчитеся виявляти групи схожих екземплярів даних за допомогою кластеризації

Вибір ознак. Зменшення розмірності даних

• Навчитеся зменшувати розмірність набору даних із великою кількістю ознак
• Навчитеся обирати фічі так, щоб залишити лише найбільш значущі для моделі
• Дізнаєтесь, як працюють і чим відрізняються методи зменшення розмірності SVD, PCA та LDA

Статистичний аналіз даних

• Ознайомитеся з бібліотекою SciPy
• Навчитеся генерувати випадкові величини різних імовірнісних розподілів, проводити тести нормальності та порівнювати розподіли двох випадкових величин
• Вивчите основи перевірки статистичних гіпотез: помилки I та II роду, p-value
• Дізнаєтесь, як проводити А/В-тестування та перевіряти гіпотези

Співбесіди й вимоги до них. Розповсюджені помилки у домашніх завданнях

Особливості курсу

• Заняття щопонеділка та щочетверга
• Інструменти для роботи
• Сильний контент
• Практика
• Кар'єра: розширення стеку навичок

Викладачі курсу

• Олександра Кардаш - Senior Software Engineer at Google
• Ірина Безкровна - Technical Data Lead at Xometry

Навчіться автоматизувати збір та оброблення даних завдяки Python, розробляти прогнозні моделі, використовувати інструменти моніторингу та аналізу точності, а також візуалізувати дані та створювати зрозумілі дашборди.

Програма курсу

Знайомство з викладачем та огляд курсу

• Цілі та воркфлоу курсу
• Налаштування середовища Python
• Введення у завдання проєкту та ключові дати
• Q&A-сесія

Роль Data Science, AI та ML у фінансах

• Що таке Data Science, AI та ML
• Програмні застосунки у фінансових послугах
• Важливі навички для Data Scientist або Data Engineer
• Ключова термінологія та програмне забезпечення, пов'язане з фінансовими послугами
• Ланцюг оброблення машинного навчання та воркфлоу

Практичні стратегії пошуку та очищення наборів фінансових даних

• Загальні джерела даних для Data Science та Al у фінансах
• Загальні методи збору й очищення даних та їхня реалізація на Python
• Кейс-стаді: розв'язання загальних проблем у фінансових даних
• Практичне завдання: застосування методів очищення даних за допомогою Python

Від даних до дієвих інсайтів: Exploratory Data Analysis (EDA) на Python

• Exploratory Data Analysis та його використання у фінансах
• Функціональна інженерія та її використання в Data Science
• Як візуалізація може прискорити процес EDA
• Дані часових рядів та як поводитися з ними в EDA
• Демо: реалізація на Python

Статистичне моделювання у фінансах за допомогою Python

• Вступ до статистичного моделювання та використання у фінансах
• Як робити висновки та перевіряти бізнес-гіпотези за допомогою ваших даних
• Практичне завдання: оцініть кредитоспроможність проєкту LendingClub

AI та ML у фінансах

• Вступ до машинного навчання та штучного інтелекту
• Алгоритми Al & ML
• Побудова класифікаційних моделей для оцінювання ризиків
• Оцінювання та інтерпретація моделей ML
• Збалансування точності моделі та її зрозумілості
• Поширені проблеми в моделюванні та методи їхнього розв'язання
• Демо: потік навчання та оцінювання моделі EZE

Ансамблеві методи для предикативного моделювання

• Ансамблеві моделі в машинному навчанні
• Фреймворки інтерпретації та пояснення моделей
• Вступ до налаштування гіперпараметрів
• Демо: реалізація ансамблевої моделі з налаштуванням гіперпараметрів та порівняння ефективності з базовою моделлю, побудованою на занятті №4

Вступ до глибокого навчання (DL) та нейронних мереж

• Основи глибокого навчання та нейронних мереж
• Розуміння того, як DL та нейронні мережі використовуються у фінансах
• Демо: популярні фреймворки Python для нейронних мереж

Неконтрольоване навчання у фінансах: виявлення викидів, сегментування клієнтів та подолання "прокляття розмірності"

• Виявлення відхилень: приклади використання та методи у фінансових послугах
• Приклади використання кластеризації та сегментації
• Аналіз головних компонентів для зменшення розмірності
• Демо: реалізація на Python

Моделювання часових рядів у фінансових послугах

• Дані часових рядів та їхнього використання у фінансах
• Розкладання даних часових рядів на ключові компоненти
• Методи прогнозування та сімейства моделей
• Демо: реалізація на Python

Генеративний АІ у фінансових послугах

• Вступ до генеративного Al та великих мовних моделей
• Моделі впровадження у фінансових послугах, ризики та можливості
• Демо: створення чат-бота для обслуговування користувачів

Створення застосунку на Python для виявлення шахрайства в реальному часі

• Введення у створення застосунків на Python
• Демо: створення застосунку для виявлення шахрайства
• Міркування щодо масштабованості та дизайну застосунку

Від ідеї до використання: життєвий цикл ML Ops

• Дизайн та архітектура системи ML
• Життєвий цикл та управління моделями ML Ops
• Етичні аспекти ML у фінансовій сфері
• Конфіденційність та безпека даних
• Регламент та комплаєнс

Ефективна співпраця та кращі практики в командах Data Science

• Ефективна реалізація проєктів у галузі Data Science
• Вимірювання успіху та ROI
• Кращі практики кодування та розробки програмного забезпечення
• Ефективна співпраця
• Розвиток хмарних технологій та тенденції в галузі Data Science
• Практичне завдання: визначення успіху для вашої ініціативи в галузі Data Science

Стратегічне планування кар'єри для Data Scientists у фінансах

• Кар'єрні шляхи в Data Science у фінансах
• Ключові тенденції та майбутнє AI у фінансах
• Підготовка резюме та проходження співбесіди
• Підсумки курсу

Особливості курсу

• Власний проєкт
• Практичний досвід
• Викладач з міжнародним досвідом
• Сертифікат про проходження курсу

Викладачі курсу

Андреа Аугусто Бароні - Head of Data Science Platform at Barclays

Програма курсу

Знайомство з Computer Vision

Ознайомитеся з завданнями, які допомагає розв'язати Computer Vision. Отримаєте загальну інформацію про те, як працює зорова система. Дізнаєтесь, які є колірні простори. Встановите бібліотеки NymPy, Matplotlib та OpenCV. Навчитеся виконувати прості операції за допомогою цих бібліотек.

Піксельні операції

Дізнаєтеся, що таке операції на рівні пікселів, і навчитеся читати гістограми. Створите найпростішу програму обробки цифрових зображень - наприклад, програму балансу білого кольору.

Лінійна фільтрація

Вивчите принцип роботи згортки. Навчитеся імплементувати фільтрацію та маніпулювати зображенням, використовуючи різні типи фільтрації.

Фільтри виділення кордонів

Дізнаєтеся, у чому сенс градієнтів зображень. Навчитеся імплементувати фільтри виділення меж. Опануєте алгоритм виділення контурів та фільтри в Canny.

Кодування та компресія зображень

Вивчите різницю між форматами зображень [raw, png, jpeg]. Розберете різницю між форматами H264 та H265. Дізнаєтеся, як працює стиснення із втратами, і навчитеся працювати з зображеннями в перетвореній формі. Спробуєте покращити якість зображення за допомогою інтелектуального квантування.

Image features [візуальні ознаки]

Дізнаєтеся, що таке візуальні ознаки, та ознайомитеся з типовими завданнями, які можна розв’язати з їхньою допомогою. Навчитеся виділяти кути за допомогою детектора Харріса. Вивчите алгоритми виявлення та опису ознак. Навчитеся застосовувати масштабно-інваріантну трансформацію ознак (SIFT).

Image matching [підстроювання зображень]

Ознайомитеся з завданнями, які розв'язує image matching. Вивчите принцип афінного перетворення та однорідних координат. Навчитеся використовувати гомографію для зображень. Розробите ректифікатор фотографій документів.

Machine Learning [машинне навчання]

Ознайомитеся з основними принципами роботи з моделями даних. Розберете різницю між класичною обробкою даних та машинним навчанням. Навчитеся будувати прості моделі з нуля та проводити їхню оптимізацію. Визначите різницю між machine learning та deep learning.

Детекція облич

Визначите, чим візуальні ознаки для детекції осіб відрізняються від інших об'єктів. Ознайомитеся з методом детекції Віоли-Джонса та методом бустингу. Навчитеся працювати з зображеннями, які містять обличчя, та здійснювати детекцію за допомогою OpenCV.

Трекінг

Вивчите основи роботи трекінгу та принципи роботи з цифровим відео. Розберете різницю між трекінгом та детекцією на практиці, реалізовуючи реальне робоче завдання.

Q&A-сесія

Нейронні мережі: part 1

Вивчите принципи роботи нейронних мереж. Отримаєте overview відкритих бібліотек TensorFlow та Keras. Навчитеся будувати й тренувати прості нейронні мережі. Спробуєте покращити модель нейронної мережі для класичної проблеми house pricing.

Нейронні мережі: part 2

Дізнаєтеся, як прискорити тренування нейронних мереж у кілька разів за допомогою GPU, та ознайомитеся з іншими перевагами графічного процесора. Ознайомитеся з хмарним сервісом Google Colaboratory та навчитеся будувати й тренувати моделі в ньому. Дізнаєтесь, навіщо проводити інспекцію баз даних.

Згорткові нейронні мережі: part 1

Вивчите принципи роботи згорткових нейронних мереж. Вивчите операції згортки та пулінгу. Навчитеся будувати й тренувати згорткові нейронні мережі.

Згорткові нейронні мережі: part 2

Ознайомитеся з проблемою перенавчання [overfitting]. Навчитеся розпізнавати проблеми в процесі навчання та застосовувати data augmentation у процесі тренування.

Згорткові нейронні мережі: part 3

Навчитеся розв'язувати задачу сегментації цифрових зображень. Вивчите принцип bottleneck. Побудуєте простий автоматичний енкодер для очищення зображень від шуму.

Воркшоп з нейронних мереж

Детекція об'єктів

Вивчите концепт детекції та bounding box. Навчитеся розпізнавати об'єкти в режимі реального часу, використовуючи принцип YOLO [You Only Look Once]. Ознайомитеся з алгоритмом NMS [Non-Maximum Suppression] та іншими архітектурами мереж для розпізнавання об'єктів [SSD, TinyYOLO, SqueezeDet]. Застосуєте YOLO, щоби розпізнати об'єкти на власному відео.

Згорткові нейронні мережі: що далі?

Ознайомитеся з популярними моделями згорткових нейронних мереж. Вивчите процес fine tuning та навчитеся працювати з model zoo. Дізнаєтеся, які проблеми виникають під час тренування згорткових нейронних мереж. Отримаєте рецепт успішного розв'язання проблем із використанням нейронних мереж.

Q&A-сесія

Презентація курсового проєкту

Особливості курсу

• Сильний контент
• Широкий набір інструментів
• Практика
• Кар'єра

Викладачі курсу

Ян Колода - Senior CV & ML Engineer at Gini GmbH