Impara il deep learning con Python Tutorial Guida offline completa
L'apprendimento profondo ha aggiunto un enorme impulso al campo già in rapido sviluppo della visione artificiale. Con il deep learning, sono state introdotte molte nuove applicazioni delle tecniche di visione artificiale e stanno ora diventando parte della nostra vita quotidiana. Questi includono il riconoscimento facciale e l'indicizzazione, la stilizzazione fotografica o la visione artificiale nelle auto a guida autonoma.
L'obiettivo di questa app è introdurre gli appassionati di deep learning alla visione artificiale, partendo dalle basi per poi passare a modelli di deep learning più moderni. L'apprendimento approfondito per l'app di visione artificiale coprirà sia il riconoscimento di immagini che di video, inclusa la classificazione e l'annotazione di immagini, il riconoscimento di oggetti e la ricerca di immagini, varie tecniche di rilevamento di oggetti, la stima del movimento, il tracciamento di oggetti nel video, il riconoscimento dell'azione umana e infine la stilizzazione, l'editing e nuova generazione di immagini. Nel corso del progetto, gli studenti impareranno a costruire un sistema di riconoscimento e manipolazione del volto per comprendere i meccanismi interni di questa tecnologia, probabilmente la più rinomata e spesso dimostrata in film e programmi TV esempi di visione artificiale e AI.
Argomento specifico principale:
✔ Cos'è il deep learning ?.
✔ Fondamenti di immagine.
✔ Nozioni di base sulla classificazione delle immagini.
✔ Set di dati per la classificazione delle immagini.
✔ Configurazione dell'ambiente di sviluppo
✔ Crea il primo classificatore di immagini.
✔ Apprendimento parametrizzato
✔ Metodi di ottimizzazione e regolarizzazione.
✔ Fondamenti della rete neurale.
✔ Reti neurali convoluzionali.
✔ Addestrare la tua prima CNN.
✔ Salvataggio e caricamento dei modelli
✔ LeNet: riconoscimento delle cifre scritte a mano.
✔ MiniVGGNet: approfondimenti con le CNN
✔ Pianificatori del tasso di apprendimento.
✔ Individuazione di under fit e over fit.
✔ Modelli di checkpoint.
✔ Visualizzazione delle architetture di rete.
✔ Concetti di visione artificiale ed esempi pratici
✔ CNN pronte all'uso per la classificazione.
✔ Argomenti principali della programmazione Python.
✔ Argomenti di scienza dei dati Esempi di codice Python.
✔ Machine Learning con esempi di codice.