- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.084
Автор: udemy
Название: Компьютерное зрение с глубоким обучением (2022)
Описание:
Computer Vision with Deep Learning
udemy
Будьте в курсе последних достижений в области машинного обучения и создавайте отраслевое портфолио с помощью этого курса, изучая основные концепции компьютерного зрения и глубокого обучения , обнаружение объектов , классификацию изображений и отслеживание объектов .
Недавние инновации в технологии машинного обучения привели к огромным технологическим преобразованиям, и большая часть бизнеса в настоящее время переходит на технологические бизнес-модели, основанные на глубоком обучении и компьютерном зрении. Чтобы поддерживать конкурентоспособность в отрасли, очень важно быть в курсе последних событий и накапливать опыт в этих навыках.
Курс был разработан, чтобы дать вам возможность ознакомиться с основными концепциями компьютерного зрения и глубокого обучения с помощью нейронной сети, ANN, CNN, а также с функцией активации. После изучения этих основ курс подробно объясняет архитектуру обнаружения объектов, иллюстрирует, чем она отличается от отслеживания объектов, а затем подробно описывает широко используемые модели обнаружения объектов по мере их развития с течением времени. Для начала мы начнем с проектирования архитектуры модели R-CNN, а затем перейдем к модели FAST R-CNN, которая является усовершенствованной версией R-CNN. После этого мы объясняем концепцию региональной сети предложений (RPN), а затем используем ее для создания БЫСТРОЙ МОДЕЛИ R-CNN и закрытия этого наследия с помощью модели R-FCN. Двигаясь дальше, курс углубляется в продвинутые модели обнаружения объектов, начиная с Retinanet,
После этого мы переходим к следующему логическому шагу классификации изображений, поскольку выходные данные обнаруженных объектов используются моделями классификации изображений для лучшей идентификации входных данных. Мы начнем с базовых алгоритмов классификации изображений машинного обучения, таких как машины опорных векторов (SVM), дерево решений и K ближайших соседей (KNN), а затем перейдем к продвинутым алгоритмам, таким как VGG-16, ResNet50, Inceptionv3 и модель EfficientNet.
Ближе к концу мы перейдем к окончательной концепции отслеживания объектов, где после идентификации объектов в видео мы начинаем отслеживать его как видеопроцесс. В рамках отслеживания объектов мы рассмотрим алгоритм среднего сдвига, SORT и DeepSort Framework.
Курс был разработан для подробного объяснения концепций глубокого обучения и компьютерного зрения, сначала объясняя технологические концепции, а затем их реализацию с помощью кода. Подробное руководство по коду было включено для всех реализаций кода в проектах, а исходный код доступен для загрузки. В дополнение к этому, викторина в курсе поможет вам оценить свои знания и определить области для улучшения.
Запишитесь на этот курс и станьте специалистом в области машинного обучения. Вот лишь некоторые из проектов, которые мы будем разрабатывать:
- Используйте предварительно обученную модель Faster R-CNN для обнаружения объектов в видео.
- Разработка приложения для обнаружения объектов Автоматическое обнаружение номерных знаков
- Создайте и обучите модель обнаружения объектов на основе YOLOV3 для обнаружения номерных знаков для автомобилей
- Используйте модель SVM для классификации и маркировки дорожных знаков в видео.
- Создайте и обучите модель классификации изображений на основе ResNet для идентификации 20 различных типов классов.
- Разработка приложения для отслеживания футбольных объектов с использованием SORT и YOLO
Для кого этот курс:
- Энтузиасты глубокого обучения, которые хотят обучать модели
- Разработчики Python, которые хотят разрабатывать решения для ИИ
- Специалисты по компьютерному зрению
- Разработчики машинного обучения
- Специалист по данным
Требования
- Базовые навыки программирования на Python
- Нет предварительных знаний по математике или строгому кодированию
Материал на английском языке
Подробнее:
Скачать:
Название: Компьютерное зрение с глубоким обучением (2022)
Описание:
Computer Vision with Deep Learning
udemy
Будьте в курсе последних достижений в области машинного обучения и создавайте отраслевое портфолио с помощью этого курса, изучая основные концепции компьютерного зрения и глубокого обучения , обнаружение объектов , классификацию изображений и отслеживание объектов .
Недавние инновации в технологии машинного обучения привели к огромным технологическим преобразованиям, и большая часть бизнеса в настоящее время переходит на технологические бизнес-модели, основанные на глубоком обучении и компьютерном зрении. Чтобы поддерживать конкурентоспособность в отрасли, очень важно быть в курсе последних событий и накапливать опыт в этих навыках.
Курс был разработан, чтобы дать вам возможность ознакомиться с основными концепциями компьютерного зрения и глубокого обучения с помощью нейронной сети, ANN, CNN, а также с функцией активации. После изучения этих основ курс подробно объясняет архитектуру обнаружения объектов, иллюстрирует, чем она отличается от отслеживания объектов, а затем подробно описывает широко используемые модели обнаружения объектов по мере их развития с течением времени. Для начала мы начнем с проектирования архитектуры модели R-CNN, а затем перейдем к модели FAST R-CNN, которая является усовершенствованной версией R-CNN. После этого мы объясняем концепцию региональной сети предложений (RPN), а затем используем ее для создания БЫСТРОЙ МОДЕЛИ R-CNN и закрытия этого наследия с помощью модели R-FCN. Двигаясь дальше, курс углубляется в продвинутые модели обнаружения объектов, начиная с Retinanet,
После этого мы переходим к следующему логическому шагу классификации изображений, поскольку выходные данные обнаруженных объектов используются моделями классификации изображений для лучшей идентификации входных данных. Мы начнем с базовых алгоритмов классификации изображений машинного обучения, таких как машины опорных векторов (SVM), дерево решений и K ближайших соседей (KNN), а затем перейдем к продвинутым алгоритмам, таким как VGG-16, ResNet50, Inceptionv3 и модель EfficientNet.
Ближе к концу мы перейдем к окончательной концепции отслеживания объектов, где после идентификации объектов в видео мы начинаем отслеживать его как видеопроцесс. В рамках отслеживания объектов мы рассмотрим алгоритм среднего сдвига, SORT и DeepSort Framework.
Курс был разработан для подробного объяснения концепций глубокого обучения и компьютерного зрения, сначала объясняя технологические концепции, а затем их реализацию с помощью кода. Подробное руководство по коду было включено для всех реализаций кода в проектах, а исходный код доступен для загрузки. В дополнение к этому, викторина в курсе поможет вам оценить свои знания и определить области для улучшения.
Запишитесь на этот курс и станьте специалистом в области машинного обучения. Вот лишь некоторые из проектов, которые мы будем разрабатывать:
- Используйте предварительно обученную модель Faster R-CNN для обнаружения объектов в видео.
- Разработка приложения для обнаружения объектов Автоматическое обнаружение номерных знаков
- Создайте и обучите модель обнаружения объектов на основе YOLOV3 для обнаружения номерных знаков для автомобилей
- Используйте модель SVM для классификации и маркировки дорожных знаков в видео.
- Создайте и обучите модель классификации изображений на основе ResNet для идентификации 20 различных типов классов.
- Разработка приложения для отслеживания футбольных объектов с использованием SORT и YOLO
Для кого этот курс:
- Энтузиасты глубокого обучения, которые хотят обучать модели
- Разработчики Python, которые хотят разрабатывать решения для ИИ
- Специалисты по компьютерному зрению
- Разработчики машинного обучения
- Специалист по данным
Требования
- Базовые навыки программирования на Python
- Нет предварительных знаний по математике или строгому кодированию
Материал на английском языке
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытое содержимое могут видеть только члены группы Премиум.
Скрытый контент для пользователей All-dar.