Ce cours vous apprendra à créer des réseaux neuronaux convolutifs et à les appliquer aux données d'image. Grâce à l'apprentissage en profondeur, la vision par ordinateur fonctionne beaucoup mieux qu'il y a seulement deux ans, ce qui permet de nombreuses applications passionnantes allant de la conduite autonome en toute sécurité, à la reconnaissance faciale précise, à la lecture automatique des images radiologiques.
Vous allez:
- Comprendre comment créer un réseau neuronal convolutif, notamment les variations récentes telles que les réseaux résiduels.
- Savoir appliquer les réseaux convolutifs aux tâches de détection et de reconnaissance visuelles.
- Savoir utiliser le transfert de style neuronal pour générer de l'art.
- Être à même d'appliquer ces algorithmes à une variété d'images, de vidéos et d'autres données 2D ou 3D.
Il s'agit du quatrième cours de spécialisation d'apprentissage approfondi.
Apprendre à mettre en œuvre les couches de base des CNN (mise en commun, convolutions) et à les empiler correctement dans un réseau profond pour résoudre les problèmes de classification d'images multi-classes.
Inclus
12 vidéos4 lectures1 devoir2 devoirs de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
12 vidéos•Total 140 minutes
Vision par ordinateur•6 minutes
Exemple de détection de contours•12 minutes
Plus de détection de contours•8 minutes
Padding•10 minutes
Déconvolutions rayées •9 minutes
Convolutions sur volume•11 minutes
Une couche d'un réseau convolutif•16 minutes
Exemple de réseau convolutif simple•9 minutes
Couches de mise en commun•10 minutes
Exemple de CNN (Réseau neuronal convolutif)•13 minutes
Pourquoi des Convolutions ?•10 minutes
Entretien avec Yann LeCun•28 minutes
4 lectures•Total 4 minutes
Déconvolutions rayées *CORRECTION*•1 minute
Exemple de réseau convolutif simple *CORRECTION*•1 minute
Exemple de CNN *CORRECTION*•1 minute
Pourquoi des Convolutions ? *CORRECTION*•1 minute
1 devoir•Total 30 minutes
Les bases de ConvNets•30 minutes
2 devoirs de programmation
Modèle convolutif : étape par étape•0 minutes
Modèle convolutif : application•0 minutes
2 laboratoires non notés•Total 180 minutes
Modèle convolutif : étape par étape•120 minutes
Modèle convolutif : application•60 minutes
Modèles convolutifs profonds : études de cas
Week 2•5 heures à terminer
Détails du module
Découvrir les astuces pratiques et les méthodes utilisées dans les CNN profonds directement à partir des articles de recherche.
Inclus
11 vidéos1 lecture1 devoir1 devoir de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
11 vidéos•Total 99 minutes
Pourquoi consulter les études de cas ?•3 minutes
Réseaux classiques•18 minutes
ResNets•7 minutes
Pourquoi les ResNets fonctionnent•9 minutes
Réseaux en Réseaux et Convolutions 1x1•7 minutes
Motivation du réseau de lancement•10 minutes
Réseau de lancement•9 minutes
Utilisation de la mise en œuvre Open-Source•5 minutes
Apprentissage par transfert•9 minutes
Augmentation des données•10 minutes
État de la vision informatique•13 minutes
1 lecture•Total 1 minute
Motivation du réseau de lancement *CORRECTION*•1 minute
1 devoir•Total 30 minutes
Modèles convolutifs profonds•30 minutes
1 devoir de programmation
Réseaux résiduels•0 minutes
2 laboratoires non notés•Total 180 minutes
Tutoriel de Keras (non noté)•90 minutes
Réseaux résiduels•90 minutes
Détection d'objets
Week 3•4 heures à terminer
Détails du module
Apprendre à appliquer vos connaissances des CNN à l'un des domaines les plus difficiles mais les plus sensibles de la vision par ordinateur : Détection d’objets.
Inclus
10 vidéos2 lectures1 devoir1 devoir de programmation1 laboratoire non noté
Afficher les informations sur le contenu du module
10 vidéos•Total 85 minutes
Localisation d'objets•12 minutes
Détection de repère•6 minutes
Détection d'objets•6 minutes
Mise en œuvre convolutive des fenêtres coulissantes•11 minutes
Prévisions du champ de délimitation•15 minutes
Intersection sur l'union•4 minutes
Suppression non max•8 minutes
Boîtes d'ancrage•10 minutes
Algorithme YOLO•7 minutes
(Facultatif) Propositions régionales•6 minutes
2 lectures•Total 2 minutes
Mise en œuvre convolutive des fenêtres coulissantes *CORRECTION*•1 minute
Algorithme YOLO *CORRECTION*•1 minute
1 devoir•Total 30 minutes
Algorithmes de détection•30 minutes
1 devoir de programmation
Détection de voiture avec YOLO•0 minutes
1 laboratoire non noté•Total 120 minutes
Détection de voiture avec YOLO•120 minutes
Applications spéciales : Reconnaissance faciale et transfert de style neuronal
Week 4•5 heures à terminer
Détails du module
Découvrez comment les CNN peuvent être appliqués à plusieurs domaines, y compris la génération d'art et la reconnaissance faciale. Mettez en œuvre votre propre algorithme pour générer de l'art et reconnaître les visages !
Inclus
11 vidéos3 lectures1 devoir2 devoirs de programmation2 laboratoires non notés
Afficher les informations sur le contenu du module
11 vidéos•Total 76 minutes
Qu'est-ce que la reconnaissance faciale ?•5 minutes
Apprentissage en un coup•5 minutes
Réseau siamois•5 minutes
Perte de triplet•16 minutes
Vérification faciale et classification binaire•6 minutes
Qu'est-ce que le transfert de style neuronal ?•2 minutes
Qu'est-ce que l'apprentissage approfondi de ConvNets ?•8 minutes
Fonction de coût•4 minutes
Fonction de coût du contenu•4 minutes
Fonction de coût de style•13 minutes
Généralisations 1D et 3D•9 minutes
3 lectures•Total 3 minutes
Perte de triplet *CORRECTION*•1 minute
Vérification faciale et classification binaire *CORRECTION*•1 minute
Coût du style *CORRECTION*•1 minute
1 devoir•Total 30 minutes
Applications spéciales : Reconnaissance faciale et transfert de style neuronal•30 minutes
2 devoirs de programmation
Génération d'art avec transfert de style neuronal•0 minutes
Reconnaissance faciale•0 minutes
2 laboratoires non notés•Total 210 minutes
Génération d'art avec transfert de style neuronal•120 minutes
DeepLearning.AI is an education technology company that develops a global community of AI talent.
DeepLearning.AI's expert-led educational experiences provide AI practitioners and non-technical professionals with the necessary tools to go all the way from foundational basics to advanced application, empowering them to build an AI-powered future.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
When will I have access to the lectures and assignments?
To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
What will I get if I purchase the Certificate?
When you purchase a Certificate you get access to all course materials, including graded assignments. Upon completing the course, your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.
Is financial aid available?
Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.