深度学习 : 高端电脑视觉

运用 TensorflowKeras 和 Python 的高端电脑视觉和卷积神经网络。

从这 6 小时的课程,你会学到

  • 理解并应用迁移学习( transfer learning )
  • 了解和使用最先进的卷积神经网络,如 VGG、ResNet 和 Inception
  • 了解并使用 SSD 这类的对象检测算法 ( object detection algorithms )
  • 了解并应用神经风格迁移 ( neural style transfer )
  • 理解最先进的电脑视觉主题

要求

  • 知道如何使用某些程序库来创建、训练和运用 CNN(最好使用 Python)
  • 理解卷积和神经网络背后的基本理论概念
  • 够水准的 Python 程序技巧,最好有数据科学和 Numpy Stack 方面的技术

课程说明

这是我所做过的最令人兴奋的课程之一,它显示了深度学习这些年来走得有多快又远。

当我第一次开始制作我的深度学习系列时,我从未想过我会在卷积神经网络上做到两门课程。

我想你会发现,这个课程与以前的课程完全不同,你会对我们还要学多少内容印象深刻。

让我简单介绍一下这门课的内容:

我们将弥合你已经知道和喜爱的基本 CNN 架构与 VGG、ResNet 和 Inception (以电影命名,顺便说一下,这也很棒!) 等现代新颖架构之间的差距

我们将把这些应用于血细胞图像,并创建一个比你我更好的医学专家系统。这带来了一个迷人的想法:未来的医生不是人类,而是机器人。

在本课程中,你将看到我们如何将 CNN 变成一个对象检测( object detection )系统,该系统不仅可以对图像进行分类,还可以定位图像中的每个对象并预测其标签( label )。

你可以想像,这样的任务是自动驾驶车辆的基本先决条件。 (它必须能够实时检测汽车、行人、自行车、交通信号灯等)

我们将研究一种名为 SSD 的最先进的算法,它比以前的算法更快、更准确。

使用 CNN 的另一个非常流行的电脑视觉任务被称为神经风格转移( neural style transfer )

在这里你可以拍摄一张名为内容图像( content image )的图像,另一张图像称为样式图像( style image ),然后将这些图像合并为一个全新的图像,就好像你聘用了一位画家以后面那张图像的样式来绘制第一张的内容。 与人类画家不同,这可以在几秒钟内完成。

我希望你很高兴能够了解这些 CNN 的高端应用,我会在课堂上见到你!

很棒的事实:

  • 本课程的主要主题之一是我们正在从 CNN 本身转移到涉及 CNN 的系统。
  • 我们不再关注 CNN 的详细内部工作(我们已经完成了),而是专注于高级建构模块。结果? 几乎没有用到数学。
  • 另一个结果? 没有像 Tensorflow、Theano 或 PyTorch 的那样复杂的低级代码 ( 尽管一些选择性的练习可能包含,给非常高级的学生练习)。 大部分课程将用 Keras ,这意味著很多乏味、重复的东西都是为你写的。

注意:

所有的课程代码都可以从我的github下载:

/ lazyprogrammer/ machine_learning_examples

在目录中:cnn_class2

确保你总是用“ git pull ”,如此你总是拿到最新版本!

提示(通过课程):

  • 以 2x 观看。
  • 拿手写笔记。 这将大大增加你记住消息的能力。
  • 写下方程。 如果你不这样做,我保证它看起来像乱码。
  • 在讨论板上提出许多问题。 越多越好!
  • 意识到大多数练习将需要几天或几周才能完成。
  • 自己编写代码,不要只是坐在那里看我写程序。

修课顺序

  • 查看讲座 “ What order should I take your courses in?” (可在我的任何课程的附录中找到,包括免费的 Numpy 课程)

目标受众

  • 希望将电脑视觉和深度学习知识提升到更高水平的学生和专业人员
  • 任何想学习 SSD 和 YOLO 等对象检测算法的人
  • 任何想学习如何编写神经风格转移代码的人
  • 任何想使用转移学习的人
  • 任何希望缩短培训时间、快速创建最先进的电脑视觉网络的人

讲师简介

Lazy Programmer Inc 数据科学家和大数据工程师

我是一名数据科学家、大数据工程师和全端软件工程师。

我有电脑工程的硕士,专长为机器学习和模式辨识。

我曾在网络广告和数字媒体企业担任过数据科学家和大数据工程师,围绕所谓的数据建构各种高流量的 web 服务。我曾经使用 Hadoop / Pig / MapReduce 创建新的大数据管道,也曾创建机器学习模型来预测点击率,使用线性回归、Bayesian Bandits 和协同过滤 ( collaborative filtering )创建新闻推荐系统,并使用A / B测试验证结果。

我曾在大学部与研究所教授数据科学、统计学、机器学习、算法、微积分、电脑图学和物理学,任职的学校如哥伦比亚大学、纽约大学、Hunter 学院和 The New School。

有多家企业已从我的 Web 编程专业知识中受益。我做所有的后端(服务器)、前端(HTML / JS / CSS)和运营/布署工作。 我使用的技术包含:Python、Ruby / Rails、PHP、Bootstrap、jQuery(Javascript)、Backbone 和  Angular。至于保存/数据库,我采用 MySQL、Postgres、Redis、MongoDB等。

英文本幕:有

  • 想要了解如何将英文本幕自动翻译成中文? 请参考这篇 How-To

课程网址   ♥找优惠折扣码?

Sponsored by Udemy

♥欢迎关注 Soft & Share 微博

发表评论

Powered by WordPress.com.

Up ↑

%d 博主赞过: