Deep Learning for computer vis

L'apprentissage en profondeur a ajouté un énorme coup de pouce au domaine déjà en développement rapide de la vision par ordinateur. Avec l'apprentissage en profondeur, de nombreuses nouvelles applications des techniques de vision par ordinateur ont été introduites et font désormais partie de notre vie quotidienne. Il s'agit notamment de la reconnaissance faciale et de l'indexation, de la stylisation des photos ou de la vision industrielle dans les voitures autonomes.

Le but de cette application est d'initier les passionnés d'apprentissage profond à la vision par ordinateur, en commençant par les bases, puis en se tournant vers des modèles d'apprentissage profond plus modernes. L'apprentissage en profondeur pour l'application de vision par ordinateur couvrira à la fois la reconnaissance d'images et de vidéos, y compris la classification et l'annotation d'images, la reconnaissance d'objets et la recherche d'images, diverses techniques de détection d'objets, l'estimation de mouvement, le suivi d'objets en vidéo, la reconnaissance de l'action humaine et enfin la stylisation, l'édition et nouvelle génération d'images. Dans le cadre du projet de cours, les étudiants apprendront à construire un système de reconnaissance et de manipulation des visages pour comprendre les mécanismes internes de cette technologie, probablement la plus connue et souvent démontrée dans les films et les émissions de télévision, l'exemple de la vision par ordinateur et de l'IA.

Sujet spécifique principal:

✔ Qu'est-ce que le Deep Learning?.

✔ Fondamentaux de l'image.

✔ Notions de base sur la classification des images.

✔ Jeux de données pour la classification des images.

✔ Configuration de votre environnement de développement

✔ Créez le premier classificateur d'image.

✔ Apprentissage paramétré

✔ Méthodes d'optimisation et régularisation.

✔ Fondamentaux du réseau neuronal.

✔ Réseaux de neurones convolutifs.

✔ Formation de votre premier CNN.

✔ Sauvegarde et chargement de vos modèles

✔ LeNet: Reconnaissance des chiffres manuscrits.

✔ MiniVGGNet: aller plus loin avec les CNN

✔ Programmateurs de taux d'apprentissage.

✔ Repérage du sous-ajustement et du sur-ajustement.

✔ Modèles de points de contrôle.

✔ Visualisation des architectures de réseau.

✔ Concepts de vision par ordinateur et exemples pratiques

✔ CNN prêts à l'emploi pour la classi fi cation.

✔ Sujets de base de la programmation Python.

✔ Exemples de code Python Sujets de science des données.

✔ Apprentissage automatique avec des exemples de code.