Program szkoleniowy – Klasyfikacja obrazu

Program szkoleniowy – klasyfikacja obrazu.

Kompleksowo przeprowadzi Cię poprzez drogę od problemu, zbioru danych, poprzez sieci, aż do działającego modelu.

W programie następujące moduły i zagadnienia:

  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
  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
  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
  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
  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
  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
  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
  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 mapping
    10. Praca domowa
  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
  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
  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
  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
2147.00 PLN – Zamów