En partant d'une connaissance nulle de l'apprentissage profond, ce cours fondamental vous guidera pour former efficacement des modèles de pointe à des fins de classification d'images. De l'analyse d'images médicales à la reconnaissance de panneaux de signalisation, la classification est importante pour de nombreuses applications. Les modèles de classification servent également de base à des modèles de détection d'objets plus complexes. Grâce à des projets pratiques, vous entraînerez et évaluerez des modèles pour classer les panneaux de signalisation et identifier les lettres de la langue des signes américaine. En complétant ce cours, vous développerez une base solide en apprentissage profond pour l'analyse d'images et serez équipé des compétences nécessaires pour relever les défis de la vision par ordinateur dans le monde réel.

À la fin de ce cours, vous serez en mesure de : - Expliquer comment les réseaux d'apprentissage profond trouvent des caractéristiques d'image et font des prédictions - Réentraîner des modèles communs comme GoogLeNet et ResNet pour des applications spécifiques - Enquêter sur le comportement du modèle pour identifier les erreurs et déterminer les corrections potentielles - Améliorer les performances du modèle en réglant les hyperparamètres - Compléter l'ensemble du flux de travail d'apprentissage profond dans un projet final Pour la durée du cours, vous aurez un accès gratuit à MATLAB, un logiciel utilisé par les meilleurs employeurs dans le monde entier. Les cours s'appuient sur les applications utilisant MATLAB, de sorte que vous passez moins de temps à coder et plus de temps à appliquer les concepts de l'apprentissage profond.