Станьте экспертом в области робототехники и компьютерного зрения за 24 месяца с данной Профессиональной магистерской специализацией от TECH. Записывайтесь прямо сейчас"

Рост искусственного интеллекта и робототехники меняет глобальную технологическую, экономическую и социальную картину. В этом контексте специализация в таких областях, как компьютерное зрение, имеет решающее значение для того, чтобы идти в ногу со временем в условиях быстрого прогресса и стремительных изменений. Растущее взаимодействие между людьми и машинами, а также необходимость эффективной обработки визуальной информации требуют высококвалифицированных специалистов, способных вести за собой инновации и решать сложные задачи.

Это благоприятный сценарий для специалистов в области инженерии, которые хотят продвинуться в процветающем секторе. По этой причине TECH разработал Профессиональную магистерскую специализацию по робототехнике и компьютерному зрению, которая обеспечивает всестороннюю подготовку по этим развивающимся дисциплинам, охватывая такие темы, как дополненная реальность, искусственный интеллект и обработка визуальной информации в машинах, среди прочего.

Программа предлагает теоретико-практический подход, который позволяет студентам применять свои знания в реальных условиях. И все это — в 100% онлайн-программе, которая позволяет студентам адаптировать обучение к своим личным и профессиональным обязанностям. Таким образом, они получат доступ к высококачественным учебным материалам, таким как видео, основная литература и подробные ресурсы, что позволит им получить глобальное представление о робототехнике и искусственном зрении.

Кроме того, благодаря методу Relearning, основанному на постоянном повторении наиболее важных материалов, студенты сократят время обучения и смогут легче закрепить наиболее важные понятия.
Уникальная программа в академической панораме, которую также отличает отличная команда специалистов в этой области. Их отличные знания и опыт в данной сфере проявляются в передовой программе, которую предлагает только TECH.

Станьте лидером в области инноваций и решайте этические проблемы и проблемы безопасности при создании инновационных и эффективных решений в различных отраслях промышленности"

Данная Профессиональная магистерская специализация в области робототехники и компьютерного зрения содержит самую полную и современную образовательную программу на рынке. Основными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области информатики
• Наглядное, схематичное и исключительно практическое содержание курса предоставляет научную и практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности
• Практические упражнения для самооценки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям в области робототехники и компьютерного зрения
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа
• Учебные материалы курса доступны с любого стационарного или мобильного устройства с выходом в интернет

Воспользуйтесь возможностью учиться по 100% онлайн-программе, адаптируя время обучения к своим личным и профессиональным обстоятельствам"

В преподавательский состав входят профессионалы в области робототехники, которые привносят в программу свой опыт работы, а также признанные специалисты из ведущих сообществ и престижных университетов.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту пройти обучение с учетом ситуации и контекста, то есть в интерактивной среде, которая обеспечит погружение в учебный процесс, запрограммированный на обучение в реальных ситуациях.

В центре внимания этой программы — проблемно-ориентированное обучение, с помощью которого студент должен попытаться решить различные ситуации профессиональной практики, возникающие в течение учебного года. Для этого специалисту будет помогать инновационная интерактивная видеосистема, созданная признанными и опытными специалистами.

Проанализируйте с помощью лучших дидактических материалов, как выполнять настройку и параметризацию алгоритмов SLAM" 

В любое время и в любом месте погрузитесь в изучение достижений в области глубокого обучения" 

Профессиональная магистерская специализация "Робототехника и компьютерное зрение" представляет собой отличный вариант обучения для профессионалов в области инженерных наук, желающих специализироваться в этой передовой области. Модули программы разработаны в последовательном порядке, что позволяет студентам приобретать знания постепенно и эффективно. Кроме того, программа дает возможность узнать о проектировании, программировании и управлении роботами, а также об алгоритмах машинного зрения и методах машинного обучения — важнейших навыках, необходимых для успешной работы в этой постоянно развивающейся области. И все это в дополнение к виртуальной библиотеке, доступной 24 часа в сутки с любого цифрового устройства с подключением к Интернету.

Получите глобальное представление о робототехнике и компьютерном зрении благодаря доступу к высококачественным учебным материалам"

Модуль 1. Робототехника. Разработка и моделирование роботов

1.1. Робототехника и индустрия 4.0

1.1.1. Робототехника и индустрия 4.0
1.1.2. Область применения и примеры использования
1.1.3. Области специализации по робототехнике

1.2. Структуры аппаратного и программного обеспечения роботов

1.2.1. Аппаратные структуры и реальное время
1.2.2. Структуры программного обеспечения роботов
1.2.3. Модели коммуникации и технологии промежуточного программного обеспечения
1.2.4. Интеграция программного обеспечения с помощью операционной системы для роботов (ROS)

1.3. Математическое моделирование роботов

1.3.1. Математическое представление твердых тел
1.3.2. Вращения и перемещения
1.3.3. Иерархическое представление состояния
1.3.4. Распределенное представление состояний в ROS (Библиотека TF)

1.4. Кинематика и динамика роботов

1.4.1. Кинематика
1.4.2. Динамика
1.4.3. Роботы с пониженной активностью
1.4.4. Резервные роботы

1.5. Моделирование и симуляция роботов

1.5.1. Технологии моделирования робота
1.5.2. Моделирование роботов с помощью URDF
1.5.3. Симуляция роботов
1.5.4. Моделирование с помощью симулятора Gazebo

1.6. Роботы-манипуляторы

1.6.1. Виды роботов-манипуляторов
1.6.2. Кинематика
1.6.3. Динамика
1.6.4. Моделирование

1.7. Наземные подвижные роботы

1.7.1. Виды наземных подвижных роботов
1.7.2. Кинематика
1.7.3. Динамика
1.7.4. Моделирование

1.8. Воздушные подвижные роботы

1.8.1. Виды воздушных подвижных роботов
1.8.2. Кинематика
1.8.3. Динамика
1.8.4. Моделирование

1.9. Водные подвижные роботы

1.9.1. Виды водных подвижных роботов
1.9.2. Кинематика
1.9.3. Динамика
1.9.4. Моделирование

1.10. Био-вдохновленная робототехника

1.10.1. Гуманоид
1.10.2. Роботы, имеющие четыре и более ног
1.10.3. Модульные роботы
1.10.4. Мягкие роботы (Soft-Robotics)

Модуль 2. Интеллектуальные агенты Применение искусственного интеллекта для роботов и мягких роботов

2.1. Интеллектуальные агенты и искусственный интеллект

2.1.1. Интеллектуальные роботы. Искусственный интеллект
2.1.2. Интеллектуальные агенты

2.1.2.1. Агенты аппаратного обеспечения. Роботы
2.1.2.2. Программные агенты. Softbots

2.1.3. Прикладные задачи робототехники

2.2. Связь между мозгом и алгоритмом

2.2.1. Биологическое вдохновение для искусственного интеллекта
2.2.2. Разум, реализованный в алгоритмах. Типология
2.2.3. Объяснимость результатов в алгоритмах искусственного интеллекта
2.2.4. Эволюция алгоритмов до глубокого обучения

2.3. Алгоритмы поиска в пространстве решений

2.3.1. Элементы поиска в пространстве решений
2.3.2. Алгоритмы поиска решений задач искусственного интеллекта
2.3.3. Применение алгоритмов поиска и оптимизации
2.3.4. Применение поисковых алгоритмов в машинном обучении

2.4. Машинное обучение

2.4.1. Автоматическое обучение
2.4.2. Алгоритмы контролируемого обучения
2.4.3. Алгоритмы неконтролируемого обучения
2.4.4. Алгоритмы обучения с подкреплением

2.5. Контролируемое обучение

2.5.1. Методы контролируемого обучения
2.5.2. Деревья решений для классификации
2.5.3. Машины с векторами поддержки
2.5.4. Искусственные нейронные сети
2.5.5. Применение контролируемого обучения

2.6. Неконтролируемое обучение

2.6.1. Обучение без контроля
2.6.2. Сеть Кохонена
2.6.3. Самоорганизующиеся карты
2.6.4. Метод k-средних

2.7. Обучение с усилением

2.7.1. Обучение с усилением
2.7.2. Агенты на базе марковских процессов
2.7.3. Алгоритмы обучения с усилением
2.6.4. Применение обучения с усилением в робототехнике

2.8. Вероятностный вывод

2.8.1. Вероятностный вывод
2.8.2. Виды выводов и определение метода
2.8.3. Байесовский вывод в качестве кейс-стади
2.8.4. Методы непараметрического вывода
2.8.5. Гауссов фильтр

2.9. От теории к практике: разработка интеллектуального роботизированного агента

2.9.1. Включение модулей контролируемого обучения в роботизированный агент
2.9.2. Включение модулей обучения с подкреплением в роботизированный агент
2.9.3. Структура роботизированного агента, управляемого искусственным интеллектом
2.9.4. Профессиональные инструменты для создания интеллектуальных агентов
2.9.5. Этапы реализации алгоритмов искусственного интеллекта в роботах-агентах

Модуль 3. Глубокое обучение

3.1. Искусственный интеллект

3.1.1. Машинное обучение
3.1.2. Глубокое обучение
3.1.3. "Взрыв" популярности глубокого обучения. Почему сейчас?

3.2. Нейронные сети

3.2.1. Нейронная сеть
3.2.2. Применение нейронных сетей
3.2.3. Линейная регрессия и перцептрон
3.2.4. Прямое распространение
3.2.5. Backpropagation
3.2.6. Feature vectors

3.3. Функции потерь (loss functions)

3.3.1. Функции потерь (loss functions)
3.3.2. Виды функций потерь
3.3.3. Выбор функций потерь

3.4. Функции активации

3.4.1. Функция активации
3.4.2. Линейные функции
3.4.3. Нелинейные функции
3.4.4. Output vs. Функции активации скрытого слоя

3.5. Регуляризация и нормализация

3.5.1. Регуляризация и нормализация
3.5.2. Переобучение и увеличение данных
3.5.3. Методы регуляризации: L1, L2 и Dropout
3.5.4. Методы нормализации: Batch, Weight, Layer

3.6. Оптимизация

3.6.1. Gradient Descent
3.6.2. Стохастический градиентный спуск
3.6.3. Мини-пакетный градиентный спуск
3.6.4. Momentum
3.6.5. Adam

3.7. Настройка гиперпараметров и весовые коэффициенты

3.7.1. Гиперпараметры
3.7.2. Batch Size vs. Learning Rate vs. Step Decay
3.7.3. Веса

3.8. Метрики оценки нейронных сетей

3.8.1. Accuracy
3.8.2. Коэффициент Сёренсена
3.8.3. Чувствительность vs. Специфичность/Полнота vs. Precision
3.8.4. ROC-кривая (AUC)
3.8.5. F1-score
3.8.6. Метод матричной путаницы
3.8.7. Перекрестная проверка

3.9. Фреймворк и аппартное обеспечение

3.9.1. Tensor Flow
3.9.2. Pytorch
3.9.3. Caffe
3.9.4. Keras
3.9.5. Оборудование для этапа обучения

3.10. Создание, обучение и проверка нейронной сети

3.10.1. Набор данных
3.10.2. Создание сети
3.10.3. Обучение
3.10.4. Визуализация результатов

Модуль 4. Робототехника в автоматизации технологических процессов

4.1. Проектирование автоматизированных систем

4.1.1. Структуры аппаратного обеспечения
4.1.2. Программируемые логические контроллеры
4.1.3. Промышленные сети связи

4.2. Усовершенствованное электротехническое проектирование I: автоматизация

4.2.1. Проектирование электрических щитов и символика
4.2.2. Схемы питания и управления. Гармоника
4.2.3. Элементы защиты и заземления

4.3. Усовершенствованное электротехническое проектирование II: детерминизм и безопасность

4.3.1. Безопасность и резервирование оборудования
4.3.2. Защитные реле и триггеры
4.3.3. ПЛК безопасности
4.3.4. Безопасные сети

4.4. Электрические показатели

4.4.1. Двигатели и серводвигатели
4.4.2. Частотные преобразователи и контроллеры
4.4.3. Промышленная робототехника с электрическим приводом

4.5. Гидравлический и пневматический привод

4.5.1. Гидравлическая схема и символика
4.5.2. Пневматическая схема и символика
4.5.3. Среды ATEX в автоматизации

4.6. Преобразователи в робототехнике и автоматизации

4.6.1. Измерение положения и скорости
4.6.2. Измерение силы и температуры
4.6.3. Измерение присутствия
4.6.4. Датчики зрения

4.7. Программирование и конфигурирование программируемых логических контроллеров PLCs

4.7.1. Программирование PLC: LD
4.7.2. Программирование PLC: ST
4.7.3. Программирование PLC: FBD и CFC
4.7.4. Программирование PLC: SFC

4.8. Программирование и конфигурирование оборудования на промышленных предприятиях

4.8.1. Программирование приводов и контроллеров
4.8.2. Программирование HMI
4.8.3. Программирование роботов-манипуляторов

4.9. Программирование и конфигурирование промышленного компьютерного оборудования

4.9.1. Программирование систем технического зрения
4.9.2. Программирование SCADA/программного обеспечения
4.9.3. Конфигурация сети

4.10. Внедрение автоматов

4.10.1. Проектирование машин состояний
4.10.2. Реализация машин состояний в PLC
4.10.3. Внедрение аналоговых систем управления PID в PLC
4.10.4. Поддержание автоматизации и гигиены кода
4.10.5. Моделирование автоматов и установок

Модуль 5. Системы автоматического управления в робототехнике

5.1. Анализ и проектирование нелинейных систем

5.1.1. Анализ и моделирование нелинейных систем
5.1.2. Управление с обратной связью
5.1.3. Линеаризация с помощью обратной связи

5.2. Проектирование методов управления развитыми нелинейными системами

5.2.1. Управление скользящим режимом (Sliding Mode control)
5.2.2. Управление на основе Ляпунова и бэкстеппинга
5.2.3. Управление на основе пассивности

5.3. Структуры управления

5.3.1. Парадигма робототехники
5.3.2. Структуры управления
5.3.3. Приложения и примеры структур управления

5.4. Управление движением роботизированных рук

5.4.1. Кинематическое и динамическое моделирование
5.4.2. Управление в суставном пространстве
5.4.3. Управление в оперативном пространстве

5.5. Управление усилием на исполнительных механизмах

5.5.1. Управление силами
5.5.2. Измерение импеданса
5.5.3. Гибридное управление

5.6. Наземные подвижные роботы

5.6.1. Уравнения движения
5.6.2. Методы контроля наземных роботов
5.6.3. Передвижные манипуляторы

5.7. Воздушные подвижные роботы

5.7.1. Уравнения движения
5.7.2. Методы контроля воздушных роботов
5.7.3. Манипуляции в воздухе

5.8. Управление на основе методов машинного обучения

5.8.1. Управление с помощью контролируемого обучения
5.8.2. Управление через обучение с подкреплением
5.8.3. Управление с помощью неконтролируемого обучения

5.9. Управление на основе технического зрения

5.9.1. Позиционное визуальное сервоуправление
5.9.2. Визуальное сервоуправление на основе изображений
5.9.3. Гибридное визуальное сервоуправление

5.10. Предиктивное управление

5.10.1. Моделирование и оценка состояния
5.10.2. Применение MPC в мобильных роботах
5.10.3. MPC применительно к беспилотным летательным аппаратам

Модуль 6. Алгоритмы планирования роботов

6.1. Классические алгоритмы планирования

6.1.1. Дискретное планирование: пространство состояний
6.1.2. Проблемы планирования в робототехнике. Модели системы робототехники
6.1.3. Классификация проектировщиков

6.2. Проблема планирования траектории перемещения подвижных роботов

6.2.1. Способы представления среды: графы
6.2.2. Алгоритмы графического поиска
6.2.3. Включение затрат в графы
6.2.4. Алгоритмы поиска в тяжелых графах
6.2.5. Алгоритмы с произвольным угловым приближением

6.3. Планирование в робототехнических системах высокой размерности

6.3.1. Высокоразмерные задачи робототехники: манипуляторы
6.3.2. Прямая/инверсная кинематическая модель
6.3.3. Алгоритмы планирования выборки PRM и RRT
6.3.4. Планирование с учетом динамических ограничений

6.4. Оптимальное планирование выборки

6.4.1. Проблемы планирования на основе выборки
6.4.2. Концепция вероятностной оптимальности RRT*
6.4.3. Шаг пересоединения: динамические ограничения
6.4.4. CForest. Параллелизация планирования

6.5. Реальное внедрение системы планирования движения

6.5.1. Общая задача планирования. Динамические среды
6.5.2. Цикл действий, сенсоризация. Получение информации из окружающей среды
6.5.3. Локальное и глобальное планирование

6.6. Координация в многороботных системах I: централизованная система

6.6.1. Задача координации работы нескольких роботов
6.6.2. Обнаружение и разрешение столкновений: модификация траектории с помощью генетических алгоритмов
6.6.3. Другие биоинспирированные алгоритмы: рой частиц и фейерверк
6.6.4. Алгоритм предотвращения столкновений путем выбора маневра

6.7. Координация в многороботных системах II: распределенные подходы I

6.7.1. Использование сложных целевых функций
6.7.2. Фронт Парето
6.7.3. Многоцелевые эволюционные алгоритмы

6.8. Координация в многороботных системах III: распределенные подходы II

6.8.1. Системы планирования порядка 1
6.8.2. Алгоритм ORCA
6.8.3. Добавление кинематических и динамических ограничений в ORCA

6.9. Теория планирования решений

6.9.1. Теория принятия решений
6.9.2. Системы последовательного принятия решений
6.9.3. Датчики и информационные пространства
6.9.4. Планирование с учетом неопределенности в зондировании и управлении

6.10. Системы планирования обучения подкреплением

6.10.1. Получение ожидаемого вознаграждения от системы
6.10.2. Методы обучения со средним вознаграждением
6.10.3. Обратное обучение с подкреплением

Модуль 7. Компьютерное зрение

7.1. Человеческое восприятие

7.1.1. Зрительная система человека
7.1.2. Цвет
7.1.3. Видимые и невидимые частоты

7.2. История компьютерного зрения

7.2.1. Принципы
7.2.2. Развитие
7.2.3. Важность компьютерного зрения

7.3. Композиция цифрового изображения

7.3.1. Цифровое изображение
7.3.2. Типы изображений
7.3.3. Цветовые пространства
7.3.4. КЗС
7.3.5. HSV и HSL
7.3.6. CMY-CMYK
7.3.7. YCbCr
7.3.8. Индексированное изображение

7.4. Системы получения изображений

7.4.1. Эксплуатация цифрового фотоаппарата
7.4.2. Правильная экспозиция для каждой ситуации
7.4.3. Глубина резкости
7.4.4. Разрешение
7.4.5. Форматы изображений
7.4.6. Режим HDR
7.4.7. Камеры высокого разрешения
7.4.8. Высокоскоростные камеры

7.5. Оптические системы

7.5.1. Оптические принципы
7.5.2. Конвенциональные стратегии
7.5.3. Телецентрические стратегии
7.5.4. Типы автофокусных объективов
7.5.5. Фокусное расстояние
7.5.6. Глубина резкости
7.5.7. Оптическое искажение
7.5.8. Калибровка изображения

7.6. Системы освещения

7.6.1. Важность освещения
7.6.2. Частотная характеристика
7.6.3. Светодиодное освещение
7.6.4. Наружное освещение
7.6.5. Типы освещения для промышленного применения. Эффекты

7.7. Системы 3D-захвата

7.7.1. Стереовидение
7.7.2. Метода триангуляции
7.7.3. Структурированный свет
7.7.4. Time of Flight
7.7.5. Лидар

7.8. Мультиспектр

7.8.1. Мультиспектральные камеры
7.8.2. Гиперспектральные камеры

7.9. Невидимый ближний спектр

7.9.1. IR-камеры
7.9.2. Ультрафиолетовые камеры
7.9.3. Преобразование из невидимого спектра в видимый с помощью освещения

7.10. Другие диапазоны спектра

7.10.1. Рентген
7.10.2. Терагерцовое излучение

Модуль 8. Приложения и последнее слово техники

8.1. Промышленное применение

8.1.1. Библиотеки компьютерного зрения
8.1.2. Компактные камеры
8.1.3. Системы на базе ПК
8.1.4. Промышленная робототехника
8.1.5. Pick and place 2D
8.1.6. Bin picking
8.1.7. Контроль качества
8.1.8. Наличие отсутствие компонентов
8.1.9. Контроль размеров
8.1.10. Контроль маркировки
8.1.11. Прослеживаемость

8.2. Автономные транспортные средства

8.2.1. Система помощи водителю
8.2.2. Автономное вождение

8.3. Компьютерное зрение для анализа содержания

8.3.1. Сортировка содержимого
8.3.2. Модерация визуального контента
8.3.3. Системы отслеживания
8.3.4. Идентификация брендов и логотипов
8.3.5. Маркировка и классификация видеоматериалов
8.3.6. Обнаружение изменения сцены
8.3.7. Извлечение текстов или кредитов

8.4. Медицинское применение

8.4.1. Выявление и локализация заболеваний
8.4.2. Рак и рентгеновский анализ
8.4.3. Достижения в области компьютерного зрения на примере COVID-19
8.4.4. Помощь в операционной

8.5. Применение в космосе

8.5.1. Анализ спутниковых изображений
8.5.2. Компьютерное зрение для изучения космоса
8.5.3. Миссия на Марс

8.6. Применение в коммерческих целях

8.6.1. Контроль запасов
8.6.2. Видеонаблюдение, домашняя безопасность
8.6.3. Парковочные камеры
8.6.4. Камеры для контроля численности населения
8.6.5. Камеры контроля скорости

8.7. Применение зрения в робототехнике

8.7.1. Дроны
8.7.2. AGV
8.7.3. Зрение в сотрудничающих роботах
8.7.4. Глаза роботов

8.8. Дополненная реальность

8.8.1. Операции
8.8.2. Приборы
8.8.3. Применение в промышленности
8.8.4. Применение в коммерческих целях

8.9. Облачные вычисления

8.9.1. Платформы облачных вычислений
8.9.2. От облачных вычислений к производству

8.10. Исследования и современные кейсы в области техники

8.10.1. Научное сообщество
8.10.2. Что готовится?
8.10.3. Будущее компьютерного зрения

Модуль 9. Методы компьютерного зрения в робототехнике: обработка и анализ изображений

9.1. Компьютерное зрение

9.1.1. Компьютерное зрение
9.1.2. Элементы системы компьютерного зрения
9.1.3. Математические инструменты

9.2. Оптические сенсоры для робототехники

9.2.1. Пассивные оптические сенсоры
9.2.2. Активные оптические сенсоры
9.2.3. Неоптические сенсоры

9.3. Получение изображений

9.3.1. Представление изображений
9.3.2. Цветовое пространство
9.3.3. Процесс оцифровки

9.4. Геометрия изображений

9.4.1. Модели объективов
9.4.2. Модели камер
9.4.3. Калибровка камеры

9.5. Математические инструменты

9.5.1. Гистограмма изображения
9.5.2. Конволюция
9.5.3. Преобразования Фурье

9.6. Предварительная обработка изображений

9.6.1. Анализ шумов
9.6.2. Сглаживание изображений
9.6.3. Повышение качества изображения

9.7. Сегментация изображений

9.7.1. Контурные технологии
9.7.3. Методы, основанные на гистограммах
9.7.4. Морфологические операции

9.8. Определение особенностей изображения

9.8.1. Обнаружение точек интереса
9.8.2. Дескрипторы характеристик
9.8.3. Соответствия между характеристиками

9.9. Системы трехмерного видения

9.9.1. 3D-восприятие
9.9.2. Согласование характеристик изображений
9.9.3. Многоракурсная геометрия

9.10. Локализация на основе искусственного зрения

9.10.1. Проблема локализации роботов
9.10.2. Визуальная одометрия
9.10.3. Сенсорное слияние

Модуль 10. Системы визуального восприятия роботов с машинным обучением

10.1. Методы неконтролируемого обучения, применяемые в компьютерном зрении

10.1.1. Кластеризация
10.1.2. PCA
10.1.3. Nearest Neighbors
10.1.4. Подобие и разложение матриц

10.2. Методы контролируемого обучения, применяемые в компьютерном зрении

10.2.1. Концепция "Мешок слов"
10.2.2. Векторная машина поддержки
10.2.3. Latent Dirichlet Allocation
10.2.4. Нейронные сети

10.3. Глубокие нейронные сети: структуры, основы и трансферное обучение

10.3.1. Слои, формирующие характеристики

10.3.3.1. VGG
10.3.3.2. Densenet
10.3.3.3. ResNet
10.3.3.4. Inception
10.3.3.5. GoogLeNet

10.3.2. Трансферное обучение
10.3.3. Данные Подготовка к обучению

10.4. компьютерное зрение с глубоким обучением I: обнаружение и сегментация

10.4.1. Различия и сходства YOLO и SSD
10.4.2. Unet
10.4.3. Другие структуры

10.5. Компьютерное зрение с глубоким обучением II: Генеративно-состязательные сети

10.5.1. Сверхразрешающая визуализация с использованием GAN
10.5.2. Создание реалистичных изображений
10.5.3. Понимание сцены

10.6. Методы обучения для локализации и картографирования в мобильной робототехнике

10.6.1. Обнаружение и перемещение замыкания шлейфа
10.6.2. Magic Leap. Super Point и Super Glue
10.6.3. Глубина в монокуляре

10.7. Байесовский вывод и 3D-моделирование

10.7.1. Байесовские модели и "классическое" обучение
10.7.2. Неявные поверхности с гауссовскими процессами (GPIS)
10.7.3. 3D-сегментация с использованием GPIS
10.7.4. Нейронные сети для моделирования 3D-поверхностей

10.8. Приложения End-to-End глубоких нейронных сетей

10.8.1. Система End-to-End. Пример идентификации лиц
10.8.2. Манипулирование объектами с помощью визуальных датчиков
10.8.3. Формирование и планирование движения с помощью визуальных датчиков

10.9. Облачные технологии для ускорения разработки алгоритмов глубокого обучения

10.9.1. Использование GPU для глубокого обучения
10.9.2. Гибкая разработка с помощью Google IColab
10.9.3. Удаленные GPU, Google Cloud и AWS

10.10. Развертывание нейронных сетей в реальных приложениях

10.10.1. Встроенные системы
10.10.2. Развертывание нейронных сетей. Применение
10.10.3. Оптимизация сети при развертывании, пример с TensorRT

Модуль 11. Визуальная система SLAM. Локализация роботов и одновременное картографирование с использованием методов компьютерного зрения

11.1. Одновременная локализация и картирование (SLAM)

11.1.1. Одновременная локализация и картирование. SLAM
11.1.2. Приложения SLAM
11.1.3. Принцип работы SLAM

11.2. Проективная геометрия

11.2.1. Модель Pin-Hole
11.2.2. Оценка внутренних параметров камеры
11.2.3. Гомография, основные принципы и оценка
11.2.4. Фундаментальная матрица, принципы и оценка

11.3. Гауссов фильтр

11.3.1. Фильтр Калмана
11.3.2. Информационный фильтр
11.3.3. Настройка и параметризация фильтров Гаусса

11.4. Стерео EKF-SLAM

11.4.1. Геометрия стереокамеры
11.4.2. Извлечение признаков и поиск
11.4.3. Фильтр Калмана для стерео SLAM
11.4.4. Настройки стереопараметров EKF-SLAM

11.5. Монокулярная система EKF-SLAM

11.5.1. Параметризация ориентиров в EKF-SLAM
11.5.2. Фильтр Калмана для монокулярного SLAM
11.5.3. Настройка параметров монокулярного EKF-SLAM

11.6. Обнаружение замыкания шлейфа

11.6.1. Алгоритм полного перебора
11.6.2. FABMAP
11.6.3. Абстрагирование с использованием GIST и HOG
11.6.4. Обнаружение с помощью глубокого обучения

11.7. Graph-SLAM

11.7.1. Graph-SLAM
11.7.2. RGBD-SLAM
11.7.3. ORB-SLAM

11.8. Direct Visual SLAM

11.8.1. Анализ алгоритма Direct Visual SLAM
11.8.2. LSD-SLAM
11.8.3. SVO

11.9. Visual Inertial SLAM

11.9.1. Интеграция инерциальных измерений
11.9.2. Низкое сопряжение: SOFT-SLAM
11.9.3. Высокое сопряжение: Vins-Mono

11.10. Другие технологии SLAM

11.10.1. Приложения помимо SLAM visual
11.10.2. Lidar-SLAM
11.10.3. Range-only SLAM

Модуль 12. Применить технологии виртуальной и дополненной реальности в робототехнике

12.1. Иммерсивные технологии в робототехнике

12.1.1. Виртуальная реальность в робототехнике
12.1.2. Дополненная реальность в робототехнике
12.1.3. Смешанная реальность в робототехнике
12.1.4. Разница между реальностями

12.2. Конструкция виртуального окружения

12.2.1. Материалы и текстуры
12.2.2. Освещение
12.2.3. Виртуальные звуки и запахи

12.3. Моделирование роботов в виртуальных средах

12.3.1. Геометрическое моделирование
12.3.2. Физическое моделирование
12.3.3. Стандартизация моделей

12.4. Моделирование динамики и кинематики роботов: виртуальные физические движки

12.4.1. Физические движки. Типология
12.4.2. Конфигурация физического движка
12.4.3. Физические движки в промышленности

12.5. Платформы, периферийные устройства и инструменты, наиболее используемые в виртуальной реальности

12.5.1. Средства просмотра виртуальной реальности
12.5.2. Периферийные устройства взаимодействия
12.5.3. Виртуальные датчики

12.6. Системы дополненной реальности

12.6.1. Вставка виртуальных элементов в реальность
12.6.2. Типы визуальных маркеров
12.6.3. Технологии дополненной реальности

12.7. Метавселенная: виртуальные среды интеллектуальных агентов и людей

12.7.1. Создание аватаров
12.7.2. Интеллектуальные агенты в виртуальных средах
12.7.3. Построение многопользовательских сред для VR/AR

12.8. Создание проектов виртуальной реальности для робототехники

12.8.1. Этапы разработки проекта виртуальной реальности
12.8.2. Внедрение систем виртуальной реальности
12.8.3. Ресурсы виртуальной реальности

12.9. Создание проектов дополненной реальности для робототехники

12.9.1. Этапы разработки проекта дополненной реальности
12.9.2. Развертывание проектов дополненной реальности
12.9.3. Ресурсы дополненной реальности

12.10. Телеуправление роботами с помощью мобильных устройств

12.10.1. Смешанная реальность на мобильных устройствах
12.10.2. Иммерсивные системы с использованием датчиков мобильных устройств
12.10.3. Примеры мобильных проектов

Модуль 13. Системы коммуникации и взаимодействия с роботами

13.1. Распознавание речи: стохастические системы

13.1.1. Акустическое моделирование речи
13.1.2. Скрытые марковские модели
13.1.3. Лингвистическое моделирование речи: N-грамматики, BNF-грамматики

13.2. Распознавание речи: Глубокое обучение

13.2.1. Глубокие нейронные сети
13.2.2. Рекуррентные нейронные сети
13.2.3. LSTM-клетки

13.3. Распознавание речи: просодия и влияние окружающей среды

13.3.1. Окружающий шум
13.3.2. Распознавание по нескольким участникам
13.3.3. Речевые патологии

13.4. Понимание естественного языка: эвристические и вероятностные системы

13.4.1. Синтаксико-семантический анализ: лингвистические правила
13.4.2. Понимание на основе эвристических правил
13.4.3. Вероятностные системы: логистическая регрессия и SVM
13.4.4. Понимание на основе нейронных сетей

13.5. Управление диалогом: эвристические/вероятностные стратегии

13.5.1. Намерение собеседника
13.5.2. Диалог на основе шаблонов
13.5.3. Стохастическое управление диалогом: байесовские сети

13.6. Управление диалогом: передовые стратегии

13.6.1. Системы обучения на основе подкрепления
13.6.2. Системы на основе нейронных сетей
13.6.3. От речи к намерениям в единой сети

13.7. Формирование ответов и синтез речи

13.7.1. Формирование ответа: от идеи до связного текста
13.7.2. Синтез речи методом конкатенации
13.7.3. Стохастический синтез речи

13.8. Адаптация и контекстуализация диалога

13.8.1. Инициатива диалога
13.8.2. Адаптация к говорящему
13.8.3. Адаптация к контексту диалога

13.9. Роботы и социальное взаимодействие: распознавание, синтез и выражение эмоций

13.9.1. Парадигмы искусственного голоса: роботизированный голос и естественный голос
13.9.2. Распознавание эмоций и анализ чувств
13.9.3. Синтез эмоционального голоса

13.10. Роботы и социальное взаимодействие: усовершенствованные мультимодальные интерфейсы

13.10.1. Сочетание голосового и сенсорного интерфейсов
13.10.2. Распознавание и перевод языка жестов
13.10.3. Визуальные аватары: перевод с голоса на язык жестов

Модуль 14. Цифровая обработка изображений

14.1. Среда разработки компьютерного зрения

14.1.1. Библиотеки компьютерного зрения
14.1.2. Среда программирования
14.1.3. Инструменты визуализации

14.2. Цифровая обработка изображений

14.2.1. Соотношение пикселей
14.2.2. Операции с изображениями
14.2.3. Геометрические преобразования

14.3. Операции на пиксельном уровне

14.3.1. Гистограмма
14.3.2. Преобразования из гистограммы
14.3.3. Операции над цветными изображениями

14.4. Логические и арифметические операции

14.4.1. Сложение и вычитание
14.4.2. Продукт и подразделение
14.4.3. И/НЕ И (И-НЕ)
14.4.4. ИЛИ/НЕ ИЛИ (ИЛИ-НЕ)
14.4.5. Исключающее ИЛИ/Исключающее ИЛИ с инверсией

14.5. Фильтры

14.5.1. Маски и свертка
14.5.2. Линейная фильтрация
14.5.3. Нелинейная фильтрация
14.5.4. Анализ Фурье

14.6. Морфологические операции

14.6.1. Erode and Dilating
14.6.2. Closing and Open
14.6.3. Top hat и Black hat
14.6.4. Обнаружение контуров
14.6.5. Структура
14.6.6. Заполнение отверстий
14.6.7. Convex hull

14.7. Инструменты для анализа изображений

14.7.1. Обнаружение краев
14.7.2. Обнаружение пятен
14.7.3. Контроль размеров
14.7.4. Проверка цвета

14.8. Сегментация объектов

14.8.1. Сегментация изображений
14.8.2. Классические методы сегментации
14.8.3. Применение в реальных условиях

14.9. Калибровка изображения

14.9.1. Калибровка изображения
14.9.2. Методы калибровки
14.9.3. Процесс калибровки в системе 2D камера/робот

14.10. Обработка изображений в реальной среде

14.10.1. Анализ проблематики
14.10.2. Обработка изображений
14.10.3. Извлечение признаков
14.10.4. Окончательные результаты

Модуль 15. Продвинутая цифровая обработка изображений

15.1. Оптическое распознавание символов (OCR)

15.1.1. Предварительная обработка изображений
15.1.2. Обнаружение текста
15.1.3. Распознавание текста

15.2. Считывание кода

15.2.1. 1D-коды
15.2.2. 2D коды
15.2.3. Области применения

15.3. Поиск паттернов

15.3.1. Поиск паттернов
15.3.2. Паттерны, основанные на уровне серого цвета
15.3.3. Паттерны на основе контуров
15.3.4. Паттерны на основе геометрических фигур
15.3.5. Другие техники

15.4. Отслеживание объектов с помощью обычного зрения

15.4.1. Извлечение фона
15.4.2. Meanshift
15.4.3. Camshift
15.4.4. Optical flow

15.5. Система распознавания лиц

15.5.1. Обнаружение лицевого ориентира
15.5.2. Области применения
15.5.3. Система распознавания лиц
15.5.4. Распознавание эмоций

15.6. Построение и выравнивание

15.6.1. Stitching
15.6.2. Композиция изображений
15.6.3. Фотомонтаж

15.7. Расширенный динамический диапазон (HDR) и фотометрическое стерео

15.7.1. Увеличенный динамический диапазон
15.7.2. Составление изображений для улучшения контуров
15.7.3. Техники использования динамических приложений

15.8. Сжатие изображений

15.8.1. Сжатие изображений
15.8.2. Типы сжатия
15.8.3. Методы сжатия изображений

15.9. Обработка видео

15.9.1. Последовательности изображений
15.9.2. Видеоформаты и видеокодеки
15.9.3. Чтение видео
15.9.4. Обработка кадров

15.10. Реальное применение обработки изображений

15.10.1. Анализ проблематики
15.10.2. Обработка изображений
15.10.3. Извлечение признаков
15.10.4. Окончательные результаты

Модуль 16. Обработка 3D-изображений

16.1. 3D-изображение

16.1.1. 3D-изображение
16.1.2. Программное обеспечение для обработки 3D-изображений и визуализации
16.1.3. Метрологическое программное обеспечение

16.2. Библиотека Open 3D

16.2.1. Библиотека для обработки 3D-данных
16.2.2. Характеристики
16.2.3. Установка и использование

16.3. Данные

16.3.1. Карты глубины двумерного изображения
16.3.2. Облако точек
16.3.3. Нормы
16.3.4. Поверхности

16.4. Визуализация

16.4.1. Визуализация данных
16.4.2. Контроль
16.4.3. Веб-визуализация

16.5. Фильтры

16.5.1. Расстояние между точками, устранение выбросов
16.5.2. Фильтр высоких частот
16.5.3. Downsampling

16.6. Геометрия и извлечение признаков

16.6.1. Извлечение профиля
16.6.2. Измерение глубины
16.6.3. Объем
16.6.4. 3D геометрические фигуры
16.6.5. Планы
16.6.6. Проекция точки
16.6.7. Геометрические расстояния
16.6.8. K-d дерево
16.6.9. Функции 3D

16.7. Регистрация и построение сетки

16.7.1. Конкатенация
16.7.2. ICP
16.7.3. Ransac 3D

16.8. Распознавание трехмерных объектов

16.8.1. Поиск объекта в 3D-сцене
16.8.2. Сегментация
16.8.3. Bin picking

16.9. Анализ поверхности

16.9.1. Smoothing
16.9.2. Ориентируемые поверхности
16.9.3. Octree

16.10. Метода триангуляции

16.10.1. От Mesh до Point Cloud
16.10.2. Триангуляция карт глубины
16.10.3. Триангуляция неупорядоченных облаков точек

Модуль 17. Конволюционные сети и классификация изображений

17.1. Конволюционные нейронные сети

17.1.1. Введение
17.1.2. Конволюция
17.1.3. Сверточные нейронные сети: строительные блоки

17.2. Типы слоев CNN

17.2.1. Конволюционный
17.2.2. Активация
17.2.3. Пакетная нормализация
17.2.4. Polling
17.2.5. Полносвязная нейронная сеть

17.3. Метрические данные

17.3.1. Матрица запутанности
17.3.2. Accuracy
17.3.3. Четкость
17.3.4. Recall
17.3.5. F1 Score
17.3.6. ROC Curve
17.3.7. AUC

17.4. Основные архитектуры

17.4.1. AlexNet
17.4.2. VGG
17.4.3. Resnet
17.4.4. GoogleLeNet

17.5. Классификация изображений

17.5.1. Введение
17.5.2. Анализ данных
17.5.3. Подготовка данных
17.5.4. Обучение модели
17.5.5. Валидация модели

17.6. Практические соображения по обучению CNN

17.6.1. Выбор оптимизатора
17.6.2. Изменение скорости обучение
17.6.3. Тестирование конвейеров обучения
17.6.4. Обучение с регуляризацией

17.7. Передовой опыт в области глубокого обучения

17.7.1. Трансферное обучение
17.7.2. Fine Tuning
17.7.3. Расширение данных

17.8. Статистическая оценка данных

17.8.1. Количество наборов данных
17.8.2. Количество меток
17.8.3. Количество изображений
17.8.4. Балансировка данных

17.9. Развертывание

17.9.1. Сохранение и загрузка моделей
17.9.2. Onnx
17.9.3. Заключение

17.10. Практический кейс: классификация изображений

17.10.1. Анализ и подготовка данных
17.10.2. Тестирование конвейеров обучения
17.10.3. Обучение модели
17.10.4. Валидация модели

Модуль 18. Обнаружение объектов

18.1. Обнаружение и отслеживание объектов

18.1.1. Обнаружение объектов
18.1.2. Примеры использования
18.1.3. Отслеживание объектов
18.1.4. Примеры использования
18.1.5. Окклюзии, rigid and No rigid

18.2. Метрики оценки

18.2.1. IOU - Intersection Over Union
18.2.2. Доверительный интервал
18.2.3. Recall
18.2.4. Четкость
18.2.5. Кривая полноты—прецизионности
18.2.6    Mean Average Precision (mAP)

18.3. Традиционный метод

18.3.1. Скользящее окно
18.3.2. Метод Виолы - Джонса
18.3.3. HOG
18.3.4. Не максимальное подавление(NMS)

18.4. Датасет

18.4.1. Pascal VC
18.4.2. MS Coco
18.4.3. ImageNet (2014)
18.4.4. MOTA Challenge

18.5. Two Shot Object Detector

18.5.1. R-CNN
18.5.2. Fast R-CNN
18.5.3. Faster R-CNN
18.5.4. Mask R-CNN

18.6. Single Shot Object Detector

18.6.1. SSD
18.6.2. YOLO
18.6.3. RetinaNet
18.6.4. CenterNet
18.6.5. EfficientDet

18.7. Backbones

18.7.1. VGG
18.7.2. ResNet
18.7.3. Mobilenet
18.7.4. Shufflenet
18.7.5. Darknet

18.8. Object Tracking

18.8.1. Классические подходы
18.8.2. Фильтры твердых частиц
18.8.3. Kalman
18.8.4. Sorttracker
18.8.5. Deep Sort

18.9. Развертывание

18.9.1. Вычислительная платформа
18.9.2.  Выбор Backbone
18.9.3. Выбор фреймворка
18.9.4. Оптимизация моделей
18.9.5. Версионирование моделей

18.10. Исследование: обнаружение и мониторинг людей

18.10.1. Обнаружение людей
18.10.2. Мониторинг людей
18.10.3. Повторная идентификация
18.10.4. Подсчет людей в толпе

Модуль 19.  Сегментация изображений с помощью глубокого обучения

19.1. Обнаружение и сегментация объектов

19.1.1. Семантическая сегментация

19.1.1.1. Примеры использования семантической сегментации

19.1.2. Сегментация объектов

19.1.2.1. Варианты использования сегментации объектов

19.2. Метрики оценки

19.2.1. Показатели оценки
19.2.2. Сходство с другими методами
19.2.3. Коэффициент кубика (F1 Score)

19.3. Функции затрат

19.3.1. Dice Loss
19.3.2. Focal Loss
19.3.3. Tversky Loss
19.3.4. Другие функции

19.4. Традиционные методы сегментации

19.4.1. Применение пороговой обработки с применением метода Оцу и Риддлена
19.4.2. Самоорганизующиеся карты
19.4.3. Алгоритм GMM-EM

19.5. Семантическая сегментация с применением глубокого обучения: FCN

19.5.1. FCN
19.5.2. Архитектура
19.5.3. Применение FCN

19.6. Семантическая сегментация с применением глубокого обучения: U-NET

19.6.1. U-NET
19.6.2. Архитектура
19.6.3. Применение U-NET

19.7. Семантическая сегментация с применением глубокого обучения: Deep Lab

19.7.1. Deep Lab
19.7.2. Архитектура
19.7.3. Применение Deep Lab

19.8. Сегментация объектов с применением глубокого обучения: Mask RCNN

19.8.1. Mask RCNN
19.8.2. Архитектура
19.8.3. Применение Mask RCNN

19.9. Сегментация видео

19.9.1. STFCN
19.9.2. Semantic Video CNNs
19.9.3. Clockwork Convnets
19.9.4. Low-Latency

19.10. Сегментация облака точек

19.10.1. Облако точек
19.10.2. PointNet
19.10.3. A-CNN

Модуль 20. Продвинутая сегментация изображений и продвинутые методы компьютерного зрения

20.1. База данных для общих задач сегментации

20.1.1. Паскаль Контекст
20.1.2. CelebAMask-HQ
20.1.3. Набор данных Cityscapes
20.1.4. Датасет CCP

20.2. Семантическая сегментация в медицине

20.2.1. Семантическая сегментация в медицине
20.2.2. Наборы данных для решения медицинских проблем
20.2.3. Практическое применение

20.3. Инструменты аннотации

20.3.1. Инструмент аннотации компьютерного зрения
20.3.2. LabelMe
20.3.3. Другие инструменты

20.4. Инструменты сегментации с использованием различных фреймворков

20.4.1. Keras
20.4.2. Tensorflow v2
20.4.3. Pytorch
20.4.4. Прочее

20.5. Проект “Семантическая сегментация”. Данные, фаза 1

20.5.1. Анализ проблемы
20.5.2. Источник ввода данных
20.5.3. Анализ данных
20.5.4. Подготовка данных

20.6. Проект “Семантическая сегментация”. Обучение, фаза 2

20.6.1. Выбор алгоритма
20.6.2. Обучение
20.6.3. Оценка

20.7. Проект “Семантическая сегментация”. Результаты, фаза 3

20.7.1. Тонкая настройка
20.7.2. Презентация решения
20.7.3. Выводы

20.8. Автоэнкодеры

20.8.1. Автоэнкодеры
20.8.2. Архитектура автоэнкодера
20.8.3. Автоэнкодеры с шумоподавлением
20.8.4. Автоэнкодер с автоматическим окрашиванием

20.9. Генеративно-состязательная сеть (GANs)

20.9.1. Генеративно-состязательная сеть (GANs)
20.9.2. Архитектура DCGAN
20.9.3. Условная GAN

20.10. Усовершенствованные генеративные состязательные сети

20.10.1. Общий обзор проблем
20.10.2. WGAN
20.10.3. LSGAN
20.10.4. ACGAN

Выделите себя среди конкурентов, приобретя специализированные навыки в области с большим потенциалом роста"