Description
Bienvenue dans le monde du Deep Learning ! Ce cours est conçu pour vous doter des connaissances et des compétences nécessaires pour exceller dans ce domaine passionnant. Que vous soyez un praticien du Machine Learning cherchant à perfectionner vos compétences ou un débutant complet désireux d’explorer le potentiel du Deep Learning, ce cours répond à vos besoins.
Ce que vous apprendrez:
Maîtrisez les fondamentaux du Deep Learning, notamment les bibliothèques Tensorflow et Keras.
Développez une solide compréhension des algorithmes de base du Deep Learning tels que les réseaux de neurones convolutifs (CNN), les réseaux de neurones récurrents (RNN) et les réseaux contradictoires génératifs (GAN).
Acquérez une expérience pratique grâce à des projets pratiques couvrant des tâches telles que la classification d’images, la détection d’objets et le sous-titrage d’images.
Explorez des sujets avancés tels que l’apprentissage par transfert, l’augmentation des données et des modèles de pointe comme YOLOv8 et Stable Diffusion.
Le programme du cours est méticuleusement structuré pour offrir une expérience d’apprentissage complète:
Section 1: Introduction et bases de la vision par ordinateur: Fournit une base sur les concepts de vision par ordinateur, les bases du traitement d’image et les espaces colorimétriques.
Section 2: Réseaux de neurones – Dans le monde du Deep Learning: Présente le concept de réseaux de neurones, leurs principes de fonctionnement et leur application aux problèmes de Deep Learning.
Section 3: Tensorflow et Keras: Plonge dans les frameworks Deep Learning populaires, Tensorflow et Keras, expliquant leurs fonctionnalités et l’utilisation de l’API.
Section 4:Classification des images expliquée et projet: Explique les réseaux de neurones convolutifs (CNN), la bête de somme pour les tâches de classification d’images, avec un projet pratique pour consolider votre compréhension.
Section 5:Couches de prétraitement Keras et apprentissage par transfert: Montre comment exploiter les couches de prétraitement Keras pour l’augmentation des données et explore la puissance de l’apprentissage par transfert pour un développement plus rapide de modèles.
Section 6:RNN LSTM et GRU Introduction: Fournit une introduction aux réseaux neuronaux récurrents (RNN), aux réseaux de mémoire à long terme (LSTM) et aux unités récurrentes fermées (GRU) pour la gestion des données séquentielles.
Section 7:Projet GANS et sous-titrage d’images: Présente les réseaux contradictoires génératifs (GAN) et leurs applications, suivi d’un projet sur le sous-titrage d’images présentant leurs capacités.
Section 9:Détection d’objets Tout ce que vous devez savoir: Plonge dans la détection d’objets, couvrant diverses approches telles que la détection en deux étapes, les architectures RCNN (Fast RCNN, Faster RCNN, Mask RCNN), YOLO et SSD.
Section 10:Outils d’annotation d’images: Présente les outils utilisés pour l’annotation d’images, essentiels à la création d’ensembles de données étiquetés pour les tâches de détection d’objets.
Section 11 : Modèles YOLO pour la détection d’objets, la classification, la segmentation et la détection de poses: Fournit une exploration approfondie des modèles YOLO, notamment YOLOv5, YOLOv8, et de leurs capacités en matière de détection, de classification, de segmentation et de détection de pose d’objets. Cette section comprend un projet sur la détection d’objets à l’aide de YOLOv5.
Section 12:Segmentation à l’aide de FAST-SAM: Présente FAST-SAM (Segment Anything Model) pour les tâches de segmentation sémantique.
Section 13: Projet de suivi et de comptage d’objets: Offre l’opportunité de travailler sur un projet impliquant le suivi et le comptage d’objets à l’aide de YOLOv8.
Section 14:Projet de reconnaissance de l’action humaine: Vous guide à travers un projet sur la reconnaissance de l’action humaine à l’aide de modèles de Deep Learning.
Section 15:Modèles d’analyse d’images: Explorez brièvement les modèles pré-entraînés pour les tâches d’analyse d’images telles que YOLO-WORLD et Moondream1.
Section 16:Détection et reconnaissance des visages (analyse AGE GENDER MOOD): Présente des techniques de détection et de reconnaissance des visages, notamment la bibliothèque DeepFace pour analyser l’âge, le sexe et l’humeur à partir d’images.
Section 17:Génération de Deepfake: Fournit un aperçu des deepfakes et de la manière dont ils sont générés.
Section 18: SUJET BONUS: IA GÉNÉRATIVE – Génération d’images via des invites – Modèles de diffusion: présente le monde passionnant de l’IA générative en mettant l’accent sur les modèles de diffusion stable, notamment CLIP, U-Net et les outils et ressources associés.
Ce qui distingue ce cours:
Programme d’études à jour: Ce cours intègre les dernières avancées en matière de Deep Learning, notamment YOLOv8, Stable Diffusion et Fast-SAM.
Projets pratiques: Appliquez votre apprentissage à travers des projets pratiques, favorisant une compréhension plus approfondie des applications du monde réel.
Explications claires : Les concepts complexes sont décomposés en modules faciles à comprendre avec des explications détaillées et des exemples.
Parcours d’apprentissage structuré: Le programme bien organisé garantit une expérience d’apprentissage facile
À qui s’adresse ce cours:
- Praticiens débutants en ML désireux d’apprendre le Deep Learning
- Développeurs Python avec des connaissances de base en ML
- Toute personne souhaitant en savoir plus sur les algorithmes de vision par ordinateur basés sur le deep learning
Exigences
- Les bases de l’apprentissage automatique
- Python
Dernière mise à jour 3/2024
Taille totale: 13,0Go
Liens de téléchargement
Téléchargement Torrent
Vision par ordinateur complète avec les projets GenAI-12.torrent (158 Ko) | Miroir