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

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