Deep Learning: end-to-end řešení pro detekci objektů

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:

1. Deep learning v oblasti computer vision
   1. Jaké jsou současné trendy v oblasti AI a deep learning.
   2. Zajímavé AI projekty v DataSentics

2. Stručný úvod do Deep learningu
   1. Co je pixel? - „jako vážně!”
   2. Klasické metody v rozpoznání obrazu – registrace/matching, histogram, SIFT
   3. Úsvit neuronových sítí
   4. Aktuální modely a budoucnost deep learningu

3. Dataset - základní stavební blok každé „neuronky”
   1. Kaggle a jiné databáze připravených datasetů
   2. Anotace - nezbytná část pro vlastní use case
   3. Augmentace a vygenerováního datasetu

4. Průzkum vhodných modelů a transfer learning
   1. State-of-the-art články, Github, Medium
   2. Rozhodování mezi přesností a rychlostí
   3. Stažení Github repozitáře a jeho přizpůsobení vlastním datům

5. Trénování modelu
   1. TensorFlow vs PyTorch (a další frameworky)
   2. On-premise vs cloud (Azure, AWS, GCP)

6. Možnosti nasazení modelu a produkcionalizace
   1. MLOPs - verzování a ukládání modelů
   2. FastAPI
   3. Rychlokurz Kubernetů a message brokerů (RabbitMQ)

7. Reporting
   1. Vhodné metriky a dashboardy pro prezentování nadřízeným nebo klientovi
   2. 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.