DeepSchool

Yet another формат публикаций В новом обновлении телеграм появился функционал “бустов” — голосов, которые премиум-пользователи могут отдавать каналам. Чем больше голосов, тем больше возможностей у канала. Например, 1-ый уровень дает возможность публиковать “стори”. Если вам нравится наш контент, поддержите канал своим голосом — будем вам благодарны) PS функционал работает только в последней версии приложения.

Гессиан Наверняка вы слышали про “методы второго порядка” — когда используют вторые производные функции потерь для более быстрого поиска оптимума. Важный элемент этих методов — гессиан. Он и является второй производной по параметрам модели. Главная проблема гессиана — его долго считать. И ученые придумали различные методы для его аппроксимации с целью экономии вычислений. А недавно появились и алгоритмы оптимизации, которые используют эти аппроксимации для более быстрой сходимости моделей. Если подзабыли теорию, не страшно, мы напомним ее в нашей новой статье, а также: - напомним о методе Ньютона - объясним как работает Sophia — свежий оптимизатор, использующий методы второго порядка - и покажем на примерах преимущество этих методов Читайте нашу статью, чтобы лучше разобраться в методах второго порядка: https://deepschool-pro.notion.site/a4b4e52621b447e5beb33de13986a469?pvs=4

Зачем использовать линтер? Как правильно назвать класс: MyClass или my_class? Думаем большинству очевидно, что правильней первый вариант. Но почему? Потому что в питоне так принято :) Классы мы называем в CamelCase, функции и переменные в snake_case 🐍, а константы при помощи CAP_CASE. Такое единообразие (консистентность) помогает при разработке: если вы увидели что-то в CAP_CASE, вы дважды подумаете, прежде чем изменить значение этой переменной. В python3 нам повезло, что все пишут практически одинаково и здесь огромная заслуга PEP8 — документа с соглашениями о том, как надо писать код на python. А в чем, собственно, проблема? Представьте, что ваш коллега создал Merge Request, в котором совсем не соблюден codestyle: неверно названы переменные, нет отступов, избыточно длинные строки кода, и много чего еще — хотелось бы вам тратить время на замечания об этом? Конечно нет, ведь MR-ы созданы не для того, чтобы спорить о синтаксисе. Можно создать текстовый документ, где были бы описаны все синтаксические правила для команды, с которыми необходимо периодически сверяться. Но даже так вы не защищены от ошибок. Ведь код пишут люди (пока что), которые могут упустить какое-то из правил. Не говоря уже о том, что это просто муторно и скучно. Вот было бы автоматизированное решение… Это решение и есть линтеры. Линтер — программа, которая проверяет наш код на соответствие правилам. Не только тем из них, что упомянуты выше, но и более сложным. Например, не слишком ли много локальных переменных в функции? А методов в классе? Кстати, такие проверки связаны с кошельком Миллера и реализованы, например, в wemake А теперь представьте, что вам пришлось бы считать количество переменных во время MR Надеемся, уже сейчас удалось продать вам идею об использовании линтеров. В начале с ними будет больно и это нормально. Зато спустя время ваш код станет проще читать и поддерживать, а ваша команда не будет тратить силы на споры о том, какие кавычки лучше: одинарные или двойные🙃 Для питона есть разные линтеры, которые различаются правилами, строгостью и типами проверок. Начать свое знакомство с ними можно, например, с этой статьи. Кстати, на нашей программе Computer Vision Rocket, мы уделяем много внимания качеству кода: рассказываем как писать тесты, использовать линтер и автоматизировать эти проверки в gitlab CI. А еще мы внимательно ревьюим код студентов. Запишитесь на консультацию, мы ответим на любые ваши вопросы, покажем, как проходит обучение и code-review :)

Новый формат“Заметки DeepSchool” Интересный факт: у Ксюши ушло 8 часов на создание картинок к статье про ViT :) А всего подготовка материала заняла более 30 часов. Иногда у нас уходит целая неделя на подготовку статьи, так как всегда кажется, что можно раскрыть тему чуууть подробнее. Но при этом много коротких советов и идей остаются не упомянутыми. И чтобы ими делиться, мы решили попробовать новый формат: короткие заметки. В рамках такого формата мы будем отвечать на популярные вопросы и рассказывать про полезные практики. Если вам понравятся такие посты, ставьте реакции) По ним мы поймем, как вам такой формат, и какие темы можно развернуть подробнее в виде большой статьи. В первой заметке расскажем про линтеры👇

​​Как определить, что клиент сделал хорошую фотографию лица? Великое правило анализа данных "мусор на входе - мусор на выходе" работает во всех областях. Чтобы улучшить работу моделей, можно отбросить некачественные семплы на обучении и не пропускать их при инференсе. Сегодня мы рассмотрим как это можно делать в задаче распознавания лиц. В новой статье мы расскажем: - зачем определять качество фотографии - какие нюансы возникают в задаче face recognition - и как их разрешить Читайте нашу статью по ссылке: https://deepschool-pro.notion.site/Face-Image-Quality-Assessment-b66ddfddcd8d4263a7a2318f1c2d0b48?pvs=4

Сегментация плоскости земли Классическая задача при обработке лидарных данных — определить точки облака, которые относятся к плоскости земли. Она нужна для работы с современными системами беспилотного транспорта, роботами и результатами аэросъемки. В статье мы рассмотрим: - мотивацию решения задачи - два классических алгоритма ее решения: CSF и Patchwork - практические советы по применению этих алгоритмов Читайте нашу новую статью по ссылке: https://deepschool-pro.notion.site/3a979f729da540a984fa6e9e534cc4ec?pvs=4

Как решать графовые задачи с помощью нейросетей Объекты реального мира часто определяются через их связи с другими объектами. Такие объекты элегантно описываются с помощью графов. Из этой статьи вы узнаете: - что такое граф и как он определяется - примеры реальных данных, которые описываются через графы - задачи машинного обучения на графах - сложности машинного обучения на графах Читайте нашу новую статью по ссылке: https://deepschool-pro.notion.site/1665b8940c27431f95a801da2577c072?pvs=4

Атаки на нейросети и как от них защититься Сегодня нейросети встречаются повсюду: в автопилотах или системах автоматического прохождения таможни, при распознавании лиц для оплаты в магазине или для доступа к личной информации. Но насколько легко их обмануть и можем ли мы им доверять? В этой статье мы узнаем: - почему современные нейросети не превосходят человека в CV - как обмануть нейросеть и заставить ее предсказывать на картинке тигра вместо молотка - как сделать нейросеть устойчивой к таким попыткам обмана Читайте новую статью по ссылке: https://deepschool-pro.notion.site/Adversarial-training-98ff4f876b6f437d90830976789e9d68?pvs=4

Как работает камера Когда мы делаем фотографию 3D объекта, он проецируется на 2D плоскость — сенсор камеры. Понимание этого процесса позволит совершать обратное действие: из 2D фотографий восстанавливать 3D модель объекта. Это особенно важный навык в задачах AR/VR и беспилотниках. Но также поможет и в задачах, где мы хотим оценить размер объекта. Например, когда надо определить площадь поверхности, загруженность самосвала или расстояние до пешехода. В этой статье мы рассмотрим: - геометрию формирования изображения на сенсоре камеры (pinhole модель) - как рассчитываются координаты точки на сенсоре для точки из реального мира - как переходить от одной системы координат к другой - что такое внутренние и внешние параметры камеры и зачем они нужны Читайте новую статью по ссылке: https://deepschool-pro.notion.site/c1c2f3d5265943b7a228eed71b89c060?pvs=4

🎞Запись подкастас Софией Потаповой София — выпускница ФИВТ МФТИ, работала в беспилотниках Яндекса, а сейчас co-founder стартапа SmallTalk. На подкасте с Софией мы обсудили: - задачи и атмосферу в команде беспилотников Яндекса - минусы и плюсы переезда в Англию - как София стала co-founder'ом стартапа - советы для тех, кто хочет запустить свой стартап Смотрите наше интервью на Youtube и подписывайтесь на наш канал: https://youtu.be/BE-WaqEN884

Как научиться решать end-to-end задачи в CV Если вы хотите закрыть пробелы в знаниях Computer Vision и освоить весь путь создания DL-проектов: от сбора данных до деплоя веб-сервисов — приходите учиться на программу CV Rocket от нашей команды. После обучения вы повысите свою ценность на рынке, улучшите процессы в команде и научитесь решать полный цикл CV-задач: 🔹собирать чистые данные 🔹быстрее обучать модели 🔹ускорять нейросети 🔹создавать веб-сервисы 🔹автоматизировать их деплой 🔹настраивать мониторинг приложений 🔹решать задачи распознавания лиц, текстов, генерации и многое другое Что особенного в нашей программе: 🔸12 спикеров из разных отраслей и компаний 🔸много фидбека и общения со спикерами: на zoom-лекциях, в рамках code review, на семинарах, в чате, на 1-on-1 встречах 🔸сложные задачи: 2 больших end-to-end проекта, которые с гордостью можно добавить в резюме 🔸40 студентов-практиков — у нас сильное комьюнити студентов, которые помогают друг другу и по курсу, и в работе Оставляйте заявку на консультацию на нашем сайте➡️ Мы с вами свяжемся, чтобы договориться о времени встречи ➡️ На консультации ответим на все ваши вопросы, расскажем подробнее о программе и поможем определить, подходит ли курс под ваши цели и задачи Всем, кто оставит заявку до 12:00 мск 9 августа, мы вышлем промокод на скидку 10,000 руб. Оставить заявку

История YOLO. Часть 2 Мы продолжаем знакомиться с одной из самых популярных моделей для детекции — YOLO. Точнее, мы рассмотрим вторую модель — YOLOv2, или YOLO9000. Если YOLOv1 не достигла качественных SOTA детекторов, то YOLOv2 обошла всех и по скорости, и по качеству. В этой статье мы узнаем: - как авторам удалось выбить SOTA - как сочетать существующие подходы для повышения метрик - почему модель также называют YOLO9000 Читайте нашу статью по ссылке: https://deepschool-pro.notion.site/YOLO-history-Part-2-bf67f9cac3964611962290db5af03cd2