fbpx

Nauczę Cię jak budować
głębokie sieci neuronowe do klasyfikacji obrazu
nawet jeśli nie znasz bibliotek TensorFlow, Keras i PyTorch!

Program Szkoleniowy Klasyfikacja Obrazu to jedyny w Polsce, tak rozbudowany i kompleksowy program o tworzeniu i trenowaniu głębokich sieci neuronowych do rozpoznawania obrazu, poparty pięcioletnim doświadczeniem w budowaniu archtiektur oraz trenowaniu modeli do różnych zadań związanych z widzeniem maszynowym.

Ostatnie zapisy w 2021r. już za nami Pierwsze materiały otrzymasz 02.08.2021

Sprzedaż zamknięta

Ponad 5 lat doświadczenia w Deep Learningu

Od bibliotek takich jak DIGITS, Theano, Keras czy Darknet poprzez TensorFlow 1, aż do TensorFlow 2 i PyTorcha.

12 kompleksowych modułów

które przeprowadzą Cię poprzez podstawy budowania sieci neuronowych na przykładach. Nie szablonowe problemy, których rozwiązania znajdziesz w wielu miejscach.

Proces i przykłady, które uruchomisz także u siebie

Przykłady kodu w notebookach do uruchomienia lokalnie lub w Google Colab. Co ważniejsze nauczę Cię procesu, który zmniejszy liczbę błędów, które możesz popełnić.

Ten program jest dla Ciebie, jeśli:

Kim jest Twój instruktor?

Dr inż Karol Majek

Dr inż. Karol Majek

to były mentor programu Udacity Self-Driving Car Nanodegree

obecnie prowadzi firmę Cufix zajmującą się szkoleniami i konsultacjami z wykorzystania głębokiego uczenia do analizy obrazu.

Brał udział w licznych zawodach robotów i pojazdów autonomicznych ELROB, DARPA VRC, Enrich, Self-Racing Cars, F1/10.

Prowadzi bloga DeepDrive.pl o głębokich sieciach neuronowych, samochodach autonomicznych i robotyce.

Budowanie modeli do analizy obrazu to skomplikowany proces,
który stanie się dla Ciebie prosty i jasny dzięki temu programowi!

W czym pomoże Ci ten program szkoleniowy?

Przykłady kodu, które uruchomisz w Google Colab, lub na własnym komputerze w Jupyter Notebooku. Otrzymasz ponad 50 notebooków!

Jak skonfigurować środowisko pracy? Jak zainstalować potrzebne biblioteki w taki sposób by uniknąć najczęstszych problemów. Krok po kroku instalacja TensorFlow i PyTorcha wraz ze wsparciem GPU.

Pracuj niezależnie od swojego komputera. Wybierz natywną instalację na swoim systemie operacyjnym iOS, Windows, Linux, albo skorzystaj z hostowanych usług jak np. Google Colab i pracuj z przeglądarki na maszynach wyposażonych w karty graficzne.

Zadania do własnoręcznej realizacji, bo uczenie się w praktyce ma wielkie znaczenie by później móc rozwiązywać problemy samodzielnie.

Nie będziesz w żaden sposób przywiązany do przedstawionych podejść, żadnych specjalnych frameworków, nic czego później nie wykorzystasz. Ten program dostarczy Tobie uniwersalnych rozwiązań i w rzaden sposób Cię nie uzależni od dodatkowych bibliotek.

Wykonasz co najmniej 3 projekty, którymi będziesz się chwalić! Największym zwycięstwem będą zdobyte umiejętności oraz intuicja w pracy z sieciami. Zdobędziesz praktyczne doświadczenie w pracy nad uzyskiwaniem i poprawą wyników predykcji sieci do klasyfikacji obrazu.

Kod wraz z wizualizacjami danych, logów treningów czy metryk. Potrzebujesz wizualizować by lepiej rozumieć co się dzieje zarówno w danych, w treningu jak i w końcowym modelu.

Czego potrzebujesz, z czego warto korzystać, jakie narzędzia przydadzą Ci się na co dzień. Biblioteki do data augmentation pozwolą Ci poszerzyć swój zbiór danych. W programie nauczysz się jak możesz z nich korzystać.

Baza zbiorów danych, które możesz wykorzystać do uczenia swoich sieci neuronowych. Dzięki niej możesz opracować nowe aplikacje, ale też wskaże Ci ona czy dane problemy są już rozwiązane.

Sprzedaż zamknięta

Poznaj opinie o Twoim prowadzącym

Pełny program szkoleniowy
Klasyfikacja obrazu

Moduł 1 - Zaczynamy

  1. Witaj w programie
  2. Kim jest Twój instruktor
  3. Największe mity
  4. Plan gry
  5. Zagadnienia w analizie obrazu
  6. Obecny stan wiedzy
  7. Środowisko pracy – Czego potrzebujesz?
  8. Jak pracować w Google Colab?
  9. Jak pracować lokalnie?
  10. Instalacje – TF, PyTorch, OpenCV
  11. Praca domowa

Moduł 2 - Reprezentacja obrazu

  1. Reprezentacja obrazu
  2. Przestrzenie barw
  3. Operacja konwolucji
  4. Filtry konwolucyjne
  5. Operacje morfologiczne
  6. Preprocessing
  7. Dostępne zbiory danych
  8. Historia
  9. Analiza zbiorów – MNISTopodobnych
  10. Wizualizacja danych
  11. Praca domowa

Moduł 3 - Prosta sieć do klasyfikacji

  1. Budowa prostej sieci konwolucyjnej
  2. Klasyfikacja vs regresja
  3. Klasyfikacja – Accuracy vs Cross Entropy
  4. Regresja – MSE, MAE
  5. Proces uczenia
  6. Model problemu
  7. Funkcja kosztu
  8. Supervised vs self supervised vs unsupervised
  9. Podział danych 70:30 i 80:20 vs 80:10:10
  10. TensorFlow, Keras vs PyTorch, PyTorch Lightning
  11. Keras: Klasyfikacja
  12. PyTorch: Klasyfikacja
  13. Praca domowa

Moduł 4 - Budowa sieci neuronowej

  1. Dlaczego potrzebujemy funkcji aktywacji?
  2. Funkcje aktywacji
  3. Rodzaje warstw konwolucyjnych
  4. Historia CNN
  5. Ile potrzebujemy warstw?
  6. Współczesne sieci do rozpoznawania obrazu
  7. Zwykły trening vs Transfer learning vs fine tuning
  8. Under/overfitting
  9. Double descent
  10. Generalizacja
  11. Spatial/Global Pooling
  12. Regularyzacja L1, L2
  13. Dropout
  14. Praca domowa

Moduł 5 - Klasyfikacja zdjęć w praktyce

  1. Zbiór danych
  2. Wizualizacja – przykłady z każdej klasy
  3. Liczebność, rozmiar zdjęć
  4. Średni obraz
  5. Enhancement – Clahe
  6. Enhancement – ZCA
  7. Trening transfer learning w Keras
  8. Trening transfer learning w PyTorch Lightning
  9. Monitorowanie treningu w TensorBoard
  10. Własne wizualizacje w TB
  11. TensorBoard HParams
  12. Jak wykorzystać model?
  13. Praca domowa

Moduł 6 - Data augmentation

  1. Przekształcenia arytmetyczne
  2. Przekształcenia geometryczne
  3. Przekształcenia afiniczne
  4. Filtry konwolucyjne
  5. Przekształcenia koloru
  6. Zniekształcenia obrazu
  7. Wprowadzanie artefaktów
  8. Keras Data augmentation
  9. PyTorch Data augmentation
  10. ImgAug
  11. Albumentations
  12. Kornia
  13. Praca domowa

Moduł 7 - Dobór hiperparametrów

  1. Wprowadzenie
  2. Co monitorować?
  3. Jak monitorować?
  4. TensorBoard HParams
  5. Table vs Parallel coordinates vs Scatter plot matrix
  6. Techniki doboru parametrów
  7. Automatyczny dobór parametrów
  8. Narzędzia doboru parametrów
  9. Przykład praktyczny
  10. Praca domowa

Moduł 8 - Analiza działania modelu

  1. Dlaczego trzeba analizować działanie modelu?
  2. Techniki analizy działania modelu
  3. Wizualizacja kolejnych warstw sieci
  4. Wizualizacja aktywacji
  5. Macierz pomyłek
  6. T-SNE vs UMAP
  7. T-SNE grid
  8. CAM vs GradCam
  9. Occlusion sensitivity
  10. Praca domowa

Moduł 9 - Mały zbiór danych

  1. Wprowadzenie
  2. Wizualizacja danych
  3. Kiedy nie stosować transfer learningu?
  4. Self-Supervised Learning
  5. Rotation prediction pretraining
  6. Self-Supervised vs Transfer Learning
  7. Zaawansowany preprocessing
  8. Pretraining vs from scratch vs self-supervised
  9. Mały vs duży obraz
  10. Mały vs duży model
  11. Jak wykorzystać model?
  12. Praca domowa

Moduł 10 - Klasyfikacja binarna w praktyce

  1. Analiza zbioru danych
  2. Binary vs Multiclass vs Multi label vs Multi task
  3. Sigmoid vs Softmax
  4. Precision vs Recall vs Accuracy vs F1
  5. PR Curve vs ROC
  6. Nierównomierny rozkład
  7. FPR, TPR vs threshold
  8. High precision vs high recall
  9. Praca domowa

Moduł 11 - Optymalizacja modelu

  1. CPU vs GPU vs TPU
  2. Wielkość batcha
  3. Kwantyzacja
  4. FP32 vs FP16 vs INT8
  5. TensorRT
  6. Pruning
  7. Destylacja wiedzy
  8. Destylacja wiedzy – przykład
  9. Praca domowa

Moduł 12 - Wdrażanie modelu

  1. Sposoby wdrożenia
  2. Wdrożenie w chmurze
  3. Docker
  4. fastapi
  5. Streamlit
  6. Gradio.app
  7. TF/PyTorch serve
  8. Nvidia Triton
  9. MLFlow
  10. Na co warto zwrócić uwagę
  11. Praca domowa

Dołączając w przedsprzedaży, edycji VIP otrzymujesz:

Otrzymasz:

Bonusy

Sprzedaż zamknięta

Czy jest inna droga?

Możesz samodzielnie zdobywać wiedzę, korzystając z Internetu. Zajmie Ci to więcej czasu i będziesz wykorzystywać wiele różnych źródeł.

 

Dużym problemem w samodzielnej nauce jest brak możliwości weryfikacji materiałów oraz w praktyce – brak pomocy. Rozpoczynając przygodę z klasyfikacją obrazu natrafisz na wiele problemów z którymi trzeba się zmierzyć. Pomocy będziesz poszukiwać na różnych forach, repozytoriach czy bazach wiedzy. Ze względu na fakt, że głębokie uczenie wciąż się rozwija, także w kontekście klasyfikacji obrazu, trudno będzie Ci pozostać na bieżąco z dobrymi praktykami.

 

Nie otrzymasz wtedy mojego wsparcia oraz wsparcia tworzonej tutaj grupy.

Pytania i odpowiedzi

1. Czy dostęp do programu jest dożywotni?

Tak, ale bardziej „dożywotni”, bo dopóki istnieć będzie DeepDrive PL. W ramach dostępu otrzymasz program szkoleniowy ze wszystkimi późniejszymi aktualizacjami i dodatkowymi materiałami. Osoby dołączające później nie otrzymają tak wiele bonusów. W przypadku gdyby ten program miał przestać istnieć – otrzymasz wszystkie materiały.

2. Co mam zrobić, jeśli program mi nie odpowiada?

W ciągu 30 dni od startu programu (czyli gdy pojawi się pierwszy tydzień programu, a nie teraz) wystarczy że wyślesz maila z informacją, że chcesz skorzystać ze zwrotu pieniędzy. Nie pytam o powód, przelewam od razu.

3. Czy dostanę dostęp do wszystkich materiałów od razu?

Nie. W przedsprzedaży moduły będą dostępne tydzień po tygodniu. W kolejnych edycjach dostęp będzie od razu do wszystkich treści.

4. Ile czasu trwa przerobienie programu?

Program jest podzielony na moduły tygodniowe, aby ułatwić jego przerobienie. Istnieje duża szansa, że uda Ci się poświęcić nie więcej niż tydzień na każdy z 12 modułów.

5. Czy dostanę fakturę na firmę za ten program?

Tak. W przypadku gdy dokonujesz zakupu na firmę otrzymasz fakturę, wystarczy, że kupując wypełnisz dane.

6. Czy potrzebuję komputera z kartą graficzną Nvidia?

Nie, ale warto. Program możesz realizować wykorzystując np. Google Colab, który pozwala wykorzystać zasoby chmurowe, także GPU. W przypadku gdy chcesz uczyć sieci lokalnie, na swojej maszynie, warto mieć kartę graficzną (GPU) od Nvidia’i. Niestety karta Intela, czy AMD nie da Ci gwarancji uruchomienia wszystkiego i może przyspożyć kłopotów podczas instalacji.

7. Czy mogę pracować na Windowsie?

Tak i tak. Zarówno w przypadku pracy w chmurze jak i lokalnie z własną kartą graficzną. Nie ma tutaj ograniczeń.

8. Umiem budować i trenować modele w TF i PyTorchu, czy ten program jest dla mnie?

Każdy przypadek jest indywidualny, więc koniecznie przejrzyj agendę programu. Jeżeli znajdziesz tam rzeczy nowe – być może warto. Również gdy chcesz odświeżyć wiedzę, albo spojrzeć z innej perspektywy.

9. Nie mam za sobą studiów IT, czy ten program jest dla mnie?

Głębokie uczenie to przedewszystkim matematyka. Warto znać funkcje trygonometryczne, logarytmy, pochodne, różniczkowanie i operacje na macierzach. Jeżeli nie umiesz różniczkować bez ściągi, to nie ma problemu. W tym programie chcę Cię przeprowadzić krok po kroku przez proces uczenia, także postaram się wszystko jak najlepiej wytłumaczyć

10. Nie mam doktoratu, czy ten program szkoleniowy jest dla mnie?

Doktorat nie jest warunkiem koniecznym, także zastanów się czy znajdziesz tu porcję wiedzy, której potrzebujesz i niebawem się widzimy. Mógłbym powiedzieć, że ja już mam, więc Ty nie musisz. Natomiast chodzi o to by podzielić się wiedzą w przystępny sposób.

11. Czy będę mieć z Tobą kontakt?

Tak – na spotkaniach na żywo i w ocenie rozwiązań w edycji VIP. Nie – nie pogadamy 1:1 w ramach tego programu.

12. Czy otrzymam zwrot gdy program szkoleniowy mi się nie spodoba?

Tak. Otrzymasz zwrot, niezależnie od powodu, jeżeli zgłosisz się w ciągu 30 dni od uzyskania dostępu do pierwszych lekcji.

13. Chcę kupić więcej dostępów dla pracowników, co zrobić?

Złóż zamówienie mailem na karol@deepdrive.pl

14. Nie zdążę z zakupem z budżetu szkoleniowego, co zrobić?

Złóż zamówienie mailem na karol@deepdrive.pl możesz otrzymać proformę, jeżeli to jest potrzebne w organizacji. Ważne jest by zdążyć w terminie ze złożeniem zamówienia, płatności bywają opóźnione.

15. Czy będzie możliwość zakupu np. 1 lipca?

Nie. Zamykamy sprzedaż 30.06.2021 o 22:00

16. Kiedy pojawią się pierwsze materiały?

Planowane udostępnienie pierwszego modułu to 02.08.2021 czyli miesiąc po zakończeniu przedsprzedaży. Moduły będą się pojawiać stopniowo – tydzień po tygodniu. Od otrzymania pierwszego modułu masz 30 dni gwarancji satysfakcji – zwrot  pieniędzy bez podania przyczyny.