
Kurzy a certifikace Open Source
Deep Learning: end-to-end řešení pro detekci objektů
Cena (bez DPH)
Popis:
Hluboké učení (deep learning) a umělá inteligence se dnes stávají běžnou součástí téměř každého odvětí průmyslu a obchodu. Zatímco existuje velké množství kurzů a tutoriálů o neuronových sítích, nejnovějších modelech pro klasifikaci i detekci nebo o rozdílech mezi Tensorflow a Pytorch, jen málo z nich se zabývá tím, jak reálně tyto modely nasadit do produkce a vhodně je nasadit na konkrétní businessový problém.
V Datasentics máme zkušenosti s mnoha projekty zaměřenými na computer vision, proto jsme se rozhodli využít znalostí našeho týmu a vytvořit tento dvoudenní kurz, ve kterém vás na příkladu detekce roušek na videu z průmyslové kamery provedeme kompletním procesem nasazení umělé inteligence.
Cílová skupina:
- Juniorní data scientisti a machine learning engineers
- Manažeři a CTO
Cíle kurzu:
- Úvod do neuronových sítí, aktuálních modelů pro computer vision, frameworků pro práci s nimi a jejich trénování.
- Hands-on vyzkoušení každého kroku vytvoření a zavedení modelu do produkce na příkladu detekce roušek.
- Praktické rady a zkušenosti z úspěšně nasazených projektů – co funguje a čemu je lépe se vyhnout.
Garant kurzu:
Ing. Dominik Vít pracuje ve společnosti DataSentics na pozici machine learning engineer. Po studiu statistiky a aplikované matematiky na FJFI ČVUT se začal více zaměřovat na rozpoznání obrazu a strojové učení. Pracoval na projektech automatizace vizuální kontroly na výrobních linkách Škoda auto, vyvíjení AI aplikace Shelf inspector pro kontrolu out-of-stock zboží v regálech nebo vytěžování údajů z oskenovaných dokumentů pro startup DigiToo.
Osnova:
- Deep learning v oblasti computer vision
- Jaké jsou současné trendy v oblasti AI a deep learning.
- Zajímavé AI projekty v DataSentics
- Stručný úvod do Deep learningu
- Co je pixel? - „jako vážně!”
- Klasické metody v rozpoznání obrazu – registrace/matching, histogram, SIFT
- Úsvit neuronových sítí
- Aktuální modely a budoucnost deep learningu
- Dataset - základní stavební blok každé „neuronky”
- Kaggle a jiné databáze připravených datasetů
- Anotace - nezbytná část pro vlastní use case
- Augmentace a vygenerováního datasetu
- Průzkum vhodných modelů a transfer learning
- State-of-the-art články, Github, Medium
- Rozhodování mezi přesností a rychlostí
- Stažení Github repozitáře a jeho přizpůsobení vlastním datům
- Trénování modelu
- TensorFlow vs PyTorch (a další frameworky)
- On-premise vs cloud (Azure, AWS, GCP)
- Možnosti nasazení modelu a produkcionalizace
- MLOPs - verzování a ukládání modelů
- FastAPI
- Rychlokurz Kubernetů a message brokerů (RabbitMQ)
- Reporting
- Vhodné metriky a dashboardy pro prezentování nadřízeným nebo klientovi
- PowerBI, Excel, mAP, accuracy
Předpoklady účastníka
- Základní znalosti programování v pythonu jsou silně doporučené pro aktivní účast v labech, ale i bez nich může účastník profitovat z celkového přehledu o strojovém účení, který poskytneme.