Computer Vision (CV) ist ein faszinierendes Forschungsgebiet, das versucht, den Prozess der Bedeutungszuweisung für digitale Bilder oder Videos zu automatisieren. Mit anderen Worten: Wir helfen Computern dabei, die Welt um uns herum zu sehen und zu verstehen! Eine Reihe von Algorithmen und Techniken des maschinellen Lernens (ML) können zur Erfüllung von CV-Aufgaben eingesetzt werden, und da ML immer schneller und effizienter wird, können wir diese Techniken auf eingebettete Systeme anwenden. Dieser Kurs, der von einer Partnerschaft zwischen Edge Impulse, OpenMV, Seeed Studio und der TinyML Foundation angeboten wird, vermittelt Ihnen ein Verständnis dafür, wie Deep Learning mit neuronalen Netzen zur Klassifizierung von Bildern und zur Erkennung von Objekten in Bildern und Videos eingesetzt werden kann. Sie werden die Möglichkeit haben, diese Modelle des maschinellen Lernens auf eingebetteten Systemen einzusetzen, was als eingebettetes maschinelles Lernen oder TinyML bekannt ist. Vertrautheit mit der Programmiersprache Python und grundlegenden Konzepten des maschinellen Lernens (wie z.B. neuronale Netze, Training, Inferenz und Auswertung) wird empfohlen, um einige Themen zu verstehen und die Projekte abzuschließen. Ein gewisses Maß an Mathematik (Ablesen von Plots, Arithmetik, Algebra) ist für Quiz und Projekte ebenfalls erforderlich. Falls Sie dies noch nicht getan haben, empfehlen wir Ihnen den Kurs "Einführung in das eingebettete maschinelle Lernen". In diesem Kurs werden die Konzepte und das Vokabular behandelt, die notwendig sind, um zu verstehen, wie Faltungsneuronale Netze (CNNs) funktionieren und wie man sie verwendet, um Bilder zu klassifizieren und Objekte zu erkennen. Die praktischen Projekte geben Ihnen die Möglichkeit, Ihre eigenen CNNs zu trainieren und sie auf einem Mikrocontroller und/oder Einplatinencomputer einzusetzen.
Computer Vision mit eingebettetem maschinellem Lernen
Dozent: Shawn Hymel
21.767 bereits angemeldet
Bei enthalten
(134 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Wie man ein Bildklassifizierungssystem mit Hilfe von maschinellem Lernen trainiert und entwickelt
Wie man ein System zur Objekterkennung mit Hilfe von maschinellem Lernen trainiert und entwickelt
Wie man ein Modell für maschinelles Lernen auf einem Mikrocontroller einsetzt
Kompetenzen, die Sie erwerben
- Kategorie: Computerprogrammierung
- Kategorie: Python-Programmierung
- Kategorie: Maschinelles Lernen
- Kategorie: Mikrocontroller
- Kategorie: Entwicklung eingebetteter Systeme
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
12 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 3 Module
In diesem Modul stellen wir das Konzept der Computer Vision vor und wie es zur Lösung von Problemen eingesetzt werden kann. Wir behandeln, wie digitale Bilder erstellt und auf einem Computer gespeichert werden. Als Nächstes gehen wir auf neuronale Netzwerke ein und zeigen, wie sie zur Klassifizierung einfacher Bilder eingesetzt werden können. Zum Schluss führen wir Sie durch ein Projekt, in dem Sie einen Bildklassifikator trainieren und ihn in einem eingebetteten System einsetzen.
Das ist alles enthalten
13 Videos15 Lektüren4 Aufgaben2 Diskussionsthemen
In diesem Modul lernen Sie die Grundlagen der Faltungsneuronalen Netze (CNNs) kennen und erfahren, wie Sie diese nutzen können, um ein robusteres Modell zur Bildklassifizierung zu erstellen. Wir befassen uns mit der internen Funktionsweise von CNNs (z.B. Faltung und Pooling) sowie mit einigen Visualisierungstechniken, um zu sehen, wie CNNs Entscheidungen treffen. Wir stellen das Konzept der Datenerweiterung vor, um mehr Daten für den Trainingsprozess zu erhalten. Sie werden die Möglichkeit haben, Ihr eigenes CNN zu trainieren und es in einem eingebetteten System einzusetzen.
Das ist alles enthalten
9 Videos13 Lektüren5 Aufgaben1 Diskussionsthema
In diesem Modul behandeln wir die Grundlagen der Objekterkennung und wie sie sich von der Bildklassifizierung unterscheidet. Wir gehen auf die Mathematik ein, mit der die Leistung der Objekterkennung gemessen wird. Anschließend stellen wir mehrere gängige Modelle zur Objekterkennung vor und demonstrieren den Prozess, der zum Trainieren eines solchen Modells in Edge Impulse erforderlich ist. Schließlich werden Sie aufgefordert, ein Objekterkennungsmodell in einem eingebetteten System einzusetzen.
Das ist alles enthalten
10 Videos11 Lektüren3 Aufgaben1 Diskussionsthema1 Plug-in
Dozent
von
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 134
134 Bewertungen
- 5 stars
77,61 %
- 4 stars
20,89 %
- 3 stars
1,49 %
- 2 stars
0 %
- 1 star
0 %
Geprüft am 22. Apr. 2024
Geprüft am 23. Sep. 2021
Geprüft am 2. Nov. 2022
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie ein Zertifikat erwerben, erhalten Sie Zugang zu allen Kursmaterialien, einschließlich der benoteten Aufgaben. Nach Abschluss des Kurses wird Ihr elektronisches Zertifikat zu Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Sie haben Anspruch auf eine vollständige Rückerstattung bis zwei Wochen nach Ihrem Zahlungsdatum oder (bei Kursen, die gerade erst begonnen haben) bis zwei Wochen nach Beginn der ersten Sitzung des Kurses, je nachdem, welcher Zeitpunkt später liegt. Sie können keine Rückerstattung erhalten, sobald Sie ein Kurszertifikat erworben haben, auch wenn Sie den Kurs innerhalb der zweiwöchigen Rückerstattungsfrist abschließen. Siehe unsere vollständigen Rückerstattungsbedingungen.