Скачать Глубокое обучение: продвинутое компьютерное зрение (GAN, SSD и другое) [Udemy] [Lazy Programmer Inc.]

[Чарли]

Складчина: Глубокое обучение: продвинутое компьютерное зрение (GAN, SSD и другое) [Udemy] [Lazy Programmer Inc.]
Deep Learning: Advanced Computer Vision (GANs, SSD, +More!)
Язык: английский



Вы когда-нибудь задумывались, как на самом деле работают такие технологии искусственного интеллекта, как OpenAI ChatGPT, GPT-4, DALL-E, Midjourney и Stable Diffusion? В этом курсе вы изучите основы этих революционных приложений.
Это один из самых захватывающих курсов, которые я когда-либо проходил, и он действительно показывает, как быстро и далеко продвинулось глубокое обучение за эти годы.

Когда я только начинал свою серию курсов по глубокому обучению, я и представить себе не мог, что создам два курса по сверточным нейронным сетям.
Думаю, вы обнаружите, что этот курс совершенно отличается от предыдущего, и будете впечатлены тем, сколько материала нам предстоит охватить.

Позвольте мне вкратце рассказать о том, чему посвящен этот курс:
Мы собираемся преодолеть разрыв между базовой архитектурой CNN, которую вы уже знаете и любите, и современными, инновационными архитектурами, такими как VGG, ResNet и Inception (названная в честь фильма, который, кстати, тоже отличный!).
Мы применим их к изображениям клеток крови и создадим систему, которая будет лучшим медицинским экспертом, чем вы или я. Это наводит на захватывающую мысль: врачи будущего — это не люди, а роботы.

В этом курсе вы увидите, как мы можем превратить CNN в систему обнаружения объектов, которая не только классифицирует изображения, но и может определять местоположение каждого объекта на изображении и предсказывать его метку.
Вы можете себе представить, что такая задача является базовым условием для беспилотных автомобилей. (Они должны уметь обнаруживать автомобили, пешеходов, велосипеды, светофоры и т. д. в режиме реального времени).
Мы рассмотрим передовой алгоритм под названием SSD, который быстрее и точнее своих предшественников. Ещё одна очень популярная задача компьютерного зрения, в которой используются сверточные нейронные сети (CNN), называется нейронным переносом стиля.

В этом случае вы берёте одно изображение, называемое изображением содержимого, и другое изображение, называемое изображением стиля, и объединяете их, чтобы создать совершенно новое изображение, как если бы вы наняли художника, чтобы он нарисовал содержимое первого изображения в стиле другого. В отличие от художника-человека, это можно сделать за считанные секунды.
Я также познакомлю вас с ныне известной архитектурой GAN (генеративно-состязательные сети), где вы узнаете некоторые технологии, лежащие в основе использования нейронных сетей для генерации современных, фотореалистичных изображений.
В настоящее время мы также реализуем локализацию объектов, что является важным первым шагом к созданию полноценной системы обнаружения объектов.

Надеюсь, вам интересно узнать об этих передовых приложениях CNN, увидимся на занятии!

Чему вы научитесь:

Понимание и применение трансферного обучения
Понимание и использование современных сверточных нейронных сетей, таких как VGG, ResNet и Inception
Понимание и использование алгоритмов обнаружения объектов, таких как SSD
Понимание и применение переноса нейронного стиля
Понимание современных тем компьютерного зрения
Карты активации классов
GAN (генеративно-состязательные сети)
Проект по реализации локализации объектов
Понимание важных основ OpenAI ChatGPT, GPT-4, DALL-E, Midjourney и Stable Diffusion
Программа:

Приветствие
Google Colab и настройка
Обзор основ машинного обучения
Обзор искусственных нейронных сетей (ИНС)
Обзор сверточных нейронных сетей (СВН)
VGG и трансферное обучение
ResNet (и Inception)
Обнаружение объектов (SSD / RetinaNet)
Перенос стиля нейронных сетей
Карты активации классов
GAN (генеративно-состязательные сети)
Проект по локализации объектов
Обзор основ Keras и TensorFlow 2
Заключение курса
Приложение / Введение с часто задаваемыми вопросами
Настройка среды (FAQ по запросу студентов)
Дополнительная помощь по программированию на Python для начинающих (FAQ по запросу студентов)
Эффективные стратегии обучения для машинного обучения (FAQ по запросу студентов)
Приложение / Заключение с часто задаваемыми вопросами


Спойлер: Оригинал
Ever wondered how AI technologies like OpenAI ChatGPT, GPT-4, DALL-E, Midjourney, and Stable Diffusion really work? In this course, you will learn the foundations of these groundbreaking applications.
This is one of the most exciting courses I’ve done and it really shows how fast and how far deep learning has come over the years.
When I first started my deep learning series, I didn’t ever consider that I’d make two courses on convolutional neural networks.

I think what you’ll find is that, this course is so entirely different from the previous one, you will be impressed at just how much material we have to cover.
Let me give you a quick rundown of what this course is all about:
We’re going to bridge the gap between the basic CNN architecture you already know and love, to modern, novel architectures such as VGG, ResNet, and Inception (named after the movie which by the way, is also great!)

We’re going to apply these to images of blood cells, and create a system that is a better medical expert than either you or I. This brings up a fascinating idea: that the doctors of the future are not humans, but robots.
In this course, you’ll see how we can turn a CNN into an object detection system, that not only classifies images but can locate each object in an image and predict its label.
You can imagine that such a task is a basic prerequisite for self-driving vehicles. (It must be able to detect cars, pedestrians, bicycles, traffic lights, etc. in real-time)

We’ll be looking at a state-of-the-art algorithm called SSD which is both faster and more accurate than its predecessors.

Another very popular computer vision task that makes use of CNNs is called neural style transfer.
This is where you take one image called the content image, and another image called the style image, and you combine these to make an entirely new image, that is as if you hired a painter to paint the content of the first image with the style of the other. Unlike a human painter, this can be done in a matter of seconds.
I will also introduce you to the now-famous GAN architecture (Generative Adversarial Networks), where you will learn some of the technology behind how neural networks are used to generate state-of-the-art, photo-realistic images.
Currently, we also implement object localization, which is an essential first step toward implementing a full object detection system.

I hope you’re excited to learn about these advanced applications of CNNs, I’ll see you in class!

What you'll learn:

Understand and apply transfer learning
Understand and use state-of-the-art convolutional neural nets such as VGG, ResNet and Inception
Understand and use object detection algorithms like SSD
Understand and apply neural style transfer
Understand state-of-the-art computer vision topics
Class Activation Maps
GANs (Generative Adversarial Networks)
Object Localization Implementation Project
Understand important foundations for OpenAI ChatGPT, GPT-4, DALL-E, Midjourney, and Stable Diffusion
Program:

Welcome
Google Colab & Getting Setup
Machine Learning Basics Review
Artificial Neural Networks (ANN) Review
Convolutional Neural Networks (CNN) Review
VGG and Transfer Learning
ResNet (and Inception)
Object Detection (SSD / RetinaNet)
Neural Style Transfer
Class Activation Maps
GANs (Generative Adversarial Networks)
Object Localization Project
Keras and Tensorflow 2 Basics Review
Course Conclusion
Appendix / FAQ Intro
Setting Up Your Environment (FAQ by Student Request)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
Appendix / FAQ Finale


Цена 1055 руб. (12 евро)




СЛИВЫ КУРСОВ

Для просмотра скрытого содержимого вы должны зарегистрироваться