# Модуль 10. Компьютерное зрение

Плановый срок: **недели 21–23**.

## Предварительные знания

MLP, backpropagation, функции активации и training loop из
[модуля 09](../09_neural_networks/README.md), а также базовые NumPy и PyTorch.

## Цели

- понимать convolution, receptive field и основные CNN
- обучать и дообучать классификаторы изображений
- понимать пользу предобучения и выбирать глубину/размер архитектуры
- оценивать ошибки, дисбаланс и сдвиг данных

## Уроки

1. [Свёртки, pooling, augmentation и CNN](notes/01_convolutions_and_cnn.md)
2. [LeNet, AlexNet, VGG, ResNet и skip connections](notes/02_classic_architectures_and_resnet.md)
3. [ImageNet pretraining, transfer learning и fine-tuning](notes/03_pretraining_and_transfer.md)
4. [Выбор архитектуры под качество, данные, latency и память](notes/04_architecture_selection.md)
5. [Detection и segmentation — обзор](notes/05_detection_and_segmentation.md)

Термины модуля: [глоссарий](glossary.md).

Для каждого урока: прочитайте теорию, воспроизведите ключевой пример своими
руками и запишите три тезиса без подсказки. Формулы из этого модуля нужно
уметь связать с кодом и наблюдаемым поведением модели.

## Задания

- [`assignments/01_convolution.md`](assignments/01_convolution.md) — Свёртка вручную
- [`assignments/02_cnn_classification.md`](assignments/02_cnn_classification.md) — CNN-классификатор
- [`assignments/03_transfer_learning.md`](assignments/03_transfer_learning.md) — Fine-tuning предобученной CNN

## Завершение модуля

Модуль завершён, когда все задания удовлетворяют критериям приёмки,
вы можете объяснить основные решения без ноутбука и получили review.