Скачать Глубокое обучение для компьютерного зрения с TensorFlow 2 - Udemy (2021)

[bart]

Глубокое обучение для компьютерного зрения с TensorFlow 2
Deep Learning for Computer Vision with TensorFlow 2
Udemy

Этот курс ориентирован на применение глубокого обучения для классификации изображений и обнаружения объектов . Изначально этот курс был разработан в TensorFlow версии 1.X, но теперь все коды были обновлены до версии 2.X TensorFlow , в основном с использованием Google Colaboratory (Colab).

Если у вас нет доступного графического процессора в вашей локальной системе или вы хотите поэкспериментировать в среде без какой-либо предварительной установки или настройки, не беспокойтесь, вы можете плавно следовать курсу, потому что все коды были оптимизированы в Google Colab.

Курс начинается с краткого обзора основных концепций глубокого обучения , потому что этот курс сосредоточен на применении глубокого обучения в области компьютерного зрения.

Основными задачами компьютерного зрения, рассматриваемыми в этом курсе, являются классификация изображений и обнаружение объектов .

Изучив теорию глубокого обучения, вы войдете в изучение сверточных нейронных сетей (ConvNets) для классификации изображений, изучая следующие концепции и алгоритмы:

- Основы изображения

- Загрузка изображений в TensorFlow

- Строительные блоки ConvNets, такие как:

Операция свертки,

Фильтры,

Пакетная нормализация,

Функция ReLU,

Выбывать,

Объединение слоев,

Расширение,

Общие веса,

Увеличение изображения и т. Д.

- Различные архитектуры ConvNets, такие как:

LeNet5,

AlexNet,

ВГГ-16,

ResNet

Зарождение.

- Множество практических приложений с использованием известных наборов данных, таких как:

Covid19 на рентгеновских снимках,

CIFAR10,

BCCD,

Набор данных COCO,

Откройте набор данных изображений V6 через Voxel FiftyOne,

ROBOFLOW,

Вы также узнаете, как работать и собирать данные об изображениях с помощью парсинга веб-страниц с помощью

Python и Selenium.

Наконец, в главе «Обнаружение объектов» мы исследуем теорию и приложения с использованием подхода трансферного обучения с использованием новейших современных алгоритмов с практическими приложениями. Некоторое содержание этой главы следующее:

- Теоретические основы алгоритма выборочного поиска,

- Теоретические основы для R-CNN, Fast R-CNN и Faster R-CNN,

- Более быстрое приложение R-CNN в наборе данных BCCD для обнаружения клеток крови ,

- Теоретические основы для детектора одиночного выстрела (SSD),

- Обучение ваших таможенных наборов данных с использованием различных моделей с помощью TensorFlow Object Detection API.

- Обнаружение объектов на изображениях, видео и потоковой передаче,

- Теория и практическое применение YOLOv2 в настраиваемом наборе данных (набор данных R2D2)

- Практическое применение YOLOv3 в пользовательском наборе данных (наборы данных R2D2 и C3PO)

- Теория YOLOv4 и практическое применение в настраиваемом наборе данных (наборы данных R2D2 и C3PO)

Наконец , вы узнаете , как построить и обучить свой собственный набор данных с помощью GPU вычислительном работает Йоло v2 , Йоло v3 и v4 последние Йоли с помощью Google Colab.


В этом курсе вы найдете краткий обзор теории с интуитивно понятными концепциями алгоритмов и сможете применить на практике свои знания с множеством практических примеров с использованием ваших собственных наборов данных.

Студенты очень хорошо разбираются в этом курсе. Вот некоторые из вдохновляющих комментариев:

* Стефан Ланкестер (5 звезд): Спасибо Карлосу за это ценное обучение. Хорошее объяснение с широким подходом к распознаванию предметных объектов в изображениях и видео. Показаны интересные примеры и ссылки на необходимые ресурсы. Хорошее объяснение того, какие версии разных пакетов python следует использовать для успешных результатов.

* Шихаб (5 звезд): Это был действительно потрясающий курс. Должен рекомендовать всем.

* Estanislau de Sena Filho (5 звезд): Отличный курс. Отличное объяснение. Это лучший курс машинного обучения для компьютерного зрения. я рекомендую это

* Areej AI Medinah (5 звезд): Курс действительно хорош для компьютерного зрения. Он состоит из всего материала, необходимого для реализации проектов компьютерного зрения на практике. После создания глубокого понимания с помощью теории он также дает практический опыт.

* Дэйв Роберто (5 звезд): Курс того стоит. Преподаватель четко передает концепции, и видно, что он их очень хорошо понимает (нет такого ощущения с другими курсами). Схемы, которые он использует, отличаются от обычных, которые вы можете увидеть на других курсах, но они действительно помогают лучше проиллюстрировать и понять. Я бы дал курс восемь звезд, но максимум пять. Это один из немногих курсов Udemy, который оставил меня по-настоящему довольным.

Для кого этот курс:

• Профессионалы, которые хотят изучать передовые приложения компьютерного зрения с использованием концепций глубокого обучения.
• Это курс среднего уровня, не предназначенный для начинающих.

Требования

• Концепции машинного обучения, линейная алгебра, Python, TensorFlow, Keras и OpenCV

Материал на английском языке



Продажник:

Для просмотра вы должны войти или зарегистрироваться.

Скачать: