University of Colorado Boulder

Applications d'apprentissage profond pour la vision par ordinateur

University of Colorado Boulder

Applications d'apprentissage profond pour la vision par ordinateur

Ioana Fleming

Instructeur : Ioana Fleming

8 982 déjà inscrits

Inclus avec Coursera PlusEn savoir plus

Demander à Coursera

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

89 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible
2 semaines à 10 heures une semaine
Apprenez à votre propre rythme
Préparer un diplôme
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

89 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible
2 semaines à 10 heures une semaine
Apprenez à votre propre rythme
Préparer un diplôme

Ce que vous apprendrez

  • Les apprenants seront capables d'expliquer ce qu'est la vision par ordinateur et de donner des exemples de tâches de vision par ordinateur

  • Les apprenants seront capables de décrire le processus qui sous-tend les solutions algorithmiques classiques aux tâches de vision par ordinateur et d'expliquer leurs avantages et leurs inconvénients.

  • Les apprenants seront en mesure d'utiliser des outils modernes d'apprentissage automatique et des bibliothèques python.

Compétences que vous acquerrez

  • Catégorie : Mise au point
  • Catégorie : Méthodes d'apprentissage automatique
  • Catégorie : Analyse d'images
  • Catégorie : Ingénierie des fonctionnalités
  • Catégorie : Apprentissage automatique
  • Catégorie : Modèle de formation
  • Catégorie : Évaluation du modèle
  • Catégorie : Réseaux neuronaux artificiels
  • Catégorie : Apprentissage profond
  • Catégorie : Apprentissage automatique appliqué
  • Catégorie : Vision par ordinateur
  • Catégorie : Optimisation du modèle
  • Catégorie : Réseaux neuronaux convolutifs

Outils que vous découvrirez

  • Catégorie : Tensorflow
  • Catégorie : Algorithmes de classification

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

4 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires
logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Il y a 5 modules dans ce cours

Dans ce module, vous découvrirez le domaine de la vision par ordinateur. L'objectif de la vision par ordinateur est d'extraire des informations des images. Nous passerons en revue les principales catégories de tâches de la vision par ordinateur et nous donnerons des exemples d'applications pour chaque catégorie. Avec l'adoption des techniques d'apprentissage automatique et d'apprentissage profond, nous examinerons l'impact de ces techniques sur le domaine de la vision par ordinateur.

Inclus

4 vidéos14 lectures1 devoir1 sujet de discussion

Dans ce module, vous apprendrez les outils et les techniques classiques de vision par ordinateur. Nous explorerons l'opération de convolution, les filtres linéaires et les algorithmes de détection des caractéristiques des images.

Inclus

5 vidéos10 lectures1 devoir

Dans ce module, nous allons d'abord passer en revue les défis de la reconnaissance d'objets dans le cadre de la vision par ordinateur classique. Ensuite, nous passerons en revue les étapes de la reconnaissance d'objets et de la classification d'images dans le pipeline classique de vision par ordinateur.

Inclus

3 vidéos2 lectures1 devoir

Dans ce module, nous comparerons les différences entre le pipeline de classification d'images avec les réseaux neuronaux et celui avec les outils classiques de vision par ordinateur. Nous passerons ensuite en revue les composants de base d'un réseau neuronal. Nous terminerons par un tutoriel sur Tensor flow où nous pratiquerons la construction, l'entraînement et l'utilisation d'un réseau de neurones pour les prédictions de classification d'images.

Inclus

4 vidéos5 lectures1 évaluation par les pairs1 laboratoire non noté

Dans ce module, nous découvrirons les composants des réseaux neuronaux convolutifs. Nous étudierons les paramètres et hyperparamètres qui décrivent un réseau profond et explorerons leur rôle dans l'amélioration de la précision des modèles d'apprentissage profond. Nous terminerons par un tutoriel sur Tensor Flow où nous nous entraînerons à construire, entraîner et utiliser un réseau neuronal profond pour la classification d'images.

Inclus

6 vidéos10 lectures1 devoir1 évaluation par les pairs1 laboratoire non noté

Préparer un diplôme

Ce site cours fait partie du (des) programme(s) diplômant(s) suivant(s) proposé(s) par University of Colorado Boulder. Si vous êtes admis et que vous vous inscrivez, les cours que vous avez suivis peuvent compter pour l'apprentissage de votre diplôme et vos progrès peuvent être transférés avec vous.¹

Instructeur

Évaluations de l’enseignant
(22 évaluations)
Ioana Fleming
University of Colorado Boulder
2 Cours9 259 apprenants

Offert par

University of Colorado Boulder

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.’

Avis des étudiants

  • 5 stars

    75,55 %

  • 4 stars

    17,77 %

  • 3 stars

    4,44 %

  • 2 stars

    0 %

  • 1 star

    2,22 %

Affichage de 3 sur 89

DM

Révisé le 16 juin 2022

AY

Révisé le 22 juin 2023

HT

Révisé le 12 janv. 2025

Voir plus d’avis

Foire Aux Questions

Plus de questions

Aide financière disponible,