In diesem Kurs werden Sie mehr über Computer Vision als Studien- und Forschungsgebiet erfahren. Zunächst werden wir uns mit verschiedenen Computer Vision Aufgaben und vorgeschlagenen Ansätzen aus der klassischen Computer Vision Perspektive beschäftigen. Dann werden wir Deep Learning-Methoden einführen und sie auf einige der gleichen Probleme anwenden. Wir werden die Ergebnisse analysieren und die Vor- und Nachteile beider Arten von Methoden diskutieren. Anhand von Tutorials können Sie einige der modernen Tools und Softwarebibliotheken für maschinelles Lernen praktisch erkunden. Beispiele für Computer Vision-Aufgaben, bei denen Deep Learning zum Einsatz kommen kann, sind: Bildklassifizierung, Bildklassifizierung mit Lokalisierung, Objekterkennung, Objektsegmentierung, Gesichtserkennung und Aktivitäts- oder Posenschätzung. Dieser Kurs kann im Rahmen der CU Boulder-Abschlüsse MS in Data Science oder MS in Computer Science, die auf der Coursera-Plattform angeboten werden, angerechnet werden. Diese vollständig akkreditierten Studiengänge bieten gezielte Kurse, kurze 8-wöchige Sitzungen und kostenpflichtige Studiengebühren. Die Zulassung basiert auf den Leistungen in drei Vorkursen, nicht auf dem akademischen Werdegang. Die CU-Abschlüsse auf Coursera sind ideal für Hochschulabsolventen und Berufstätige. Erfahren Sie mehr:
Nur für begrenzte Zeit! Holen Sie sich Coursera Plus für 30% Rabatt.
Zurücksetzen. Neu erfinden. Erreichen Sie neue Karriereziele. Beanspruchen Sie jetzt Ihr Angebot.
Deep Learning-Anwendungen für Computer Vision
Unterrichtet auf Englisch
Einige Inhalte können nicht übersetzt werden
6.923 bereits angemeldet
Kurs
Informieren Sie sich über ein Thema und erlernen Sie die Grundlagen.
Dozent: Ioana Fleming
(64 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Die Lernenden sind in der Lage zu erklären, was Computer Vision ist und Beispiele für Computer Vision Aufgaben zu nennen
Die Lernenden sind in der Lage, den Prozess hinter klassischen algorithmischen Lösungen für Computer Vision Aufgaben zu beschreiben und deren Vor- und Nachteile zu erklären.
Die Lernenden werden in der Lage sein, moderne Tools für maschinelles Lernen und Python-Bibliotheken praktisch zu nutzen.
Kompetenzen, die Sie erwerben
- Kategorie: Computervision
- Kategorie: Faltungsneuronales Netzwerk
- Kategorie: Maschinelles Lernen
- Kategorie: Deep Learning
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
4 Quizzes
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 5 Module
In diesem Modul lernen Sie das Gebiet der Computer Vision kennen. Computer Vision hat das Ziel, Informationen aus Bildern zu extrahieren. Wir werden die wichtigsten Aufgabenkategorien von Computer Vision durchgehen und Beispiele für Anwendungen aus jeder Kategorie geben. Mit der Einführung von Techniken des maschinellen Lernens und des Deep Learning werden wir uns ansehen, wie sich dies auf den Bereich der Computer Vision ausgewirkt hat.
Das ist alles enthalten
4 Videos13 Lektüren1 Quiz1 Diskussionsthema
In diesem Modul lernen Sie die klassischen Computer Vision Tools und Techniken kennen. Wir werden die Faltungsoperation, lineare Filter und Algorithmen zur Erkennung von Bildmerkmalen untersuchen.
Das ist alles enthalten
5 Videos10 Lektüren1 Quiz
In diesem Modul werden wir zunächst die Herausforderungen der Objekterkennung in der klassischen Computer Vision besprechen. Dann werden wir die Schritte zur Objekterkennung und Bildklassifizierung in der Classic Computer Vision Pipeline durchgehen.
Das ist alles enthalten
3 Videos2 Lektüren1 Quiz
In diesem Modul werden wir vergleichen, wie sich die Bildklassifizierungspipeline mit neuronalen Netzwerken von der mit klassischen Computer Vision Tools unterscheidet. Dann werden wir die grundlegenden Komponenten eines neuronalen Netzwerks besprechen. Den Abschluss bildet ein Tutorium in Tensor Flow, in dem wir üben, wie man ein neuronales Netzwerk für Vorhersagen zur Bildklassifizierung erstellt, trainiert und verwendet.
Das ist alles enthalten
4 Videos5 Lektüren1 peer review1 Unbewertetes Labor
In diesem Modul werden wir die Komponenten von Convolutional Neural Networks kennenlernen. Wir werden uns mit den Parametern und Hyperparametern beschäftigen, die ein Deep Network beschreiben, und ihre Rolle bei der Verbesserung der Genauigkeit der Deep Learning-Modelle untersuchen. Den Abschluss bildet ein Tutorium in Tensor Flow, in dem wir den Aufbau, das Training und die Verwendung eines tiefen neuronalen Netzwerks zur Bildklassifizierung üben werden.
Das ist alles enthalten
6 Videos10 Lektüren1 Quiz1 peer review1 Unbewertetes Labor
Dozent
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Yonsei University
University of Colorado Boulder
University of Colorado Boulder
Duke University
Starten Sie ihren Abschluss mit einem Vorsprung
Dieses Kurs ist Teil der folgenden Studiengänge von University of Colorado Boulder. Wenn Sie aufgenommen werden und sich angemeldet haben, werden Ihre Kurse auf Ihren Abschluss angerechnet und Ihr Fortschritt wird mit übernommen.
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 64
64 Bewertungen
- 5 stars
76,56 %
- 4 stars
15,62 %
- 3 stars
4,68 %
- 2 stars
0 %
- 1 star
3,12 %
Geprüft am 22. Juni 2023
Geprüft am 2. Jan. 2022
Geprüft am 24. Aug. 2024
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Ein Cross-Listed-Kurs wird unter zwei oder mehr CU Boulder-Studiengängen auf Coursera angeboten. Zum Beispiel wird Dynamic Programming, Greedy Algorithms sowohl als CSCA 5414 für den MS-CS als auch als DTSA 5503 für den MS-DS angeboten.
- Sie können nicht für mehr als eine Version eines überkreuzten Kurses Punkte sammeln.
- Sie können im Studentenhandbuch Ihres Studiengangs nachsehen, ob es sich um einen Cross-Listed-Kurs handelt.
- Ihr Zeugnis wird davon betroffen sein. Überschneidende Kurse werden bei der Bewertung der Abschlussanforderungen als gleichwertig betrachtet. Wir empfehlen Ihnen jedoch, die von Ihrem Studiengang angebotenen Kurse zu belegen (sofern verfügbar), um sicherzustellen, dass Ihr CU-Zeugnis den erheblichen Umfang der Kursarbeit widerspiegelt, die Sie direkt in Ihrem Heimatfachbereich absolvieren. Alle Kurse, die Sie in einem anderen Studiengang absolvieren, werden auf Ihrem CU-Zeugnis mit dem Kurspräfix des betreffenden Studiengangs aufgeführt (z.B. DTSA vs. CSCA).
- Die Programme können unterschiedliche Mindestanforderungen für die Zulassung und den Abschluss haben. Der MS-DS erfordert zum Beispiel ein C oder besser in allen Kursen für den Abschluss (und ein 3,0 Pathway GPA für die Zulassung), während der MS-CS ein B oder besser in allen Breitenkursen und ein C oder besser in allen Wahlkursen für den Abschluss erfordert (und ein B oder besser in jedem Pathway-Kurs für die Zulassung). Alle Programme verlangen, dass die Studenten für die Zulassung und den Abschluss einen kumulativen GPA von 3,0 erreichen.
Ja. Überkreuzte Kurse werden bei der Bewertung der Abschlussanforderungen als gleichwertig betrachtet. Sie können im Studentenhandbuch Ihres Studiengangs nachsehen, welche Kurse auf der Liste stehen.
Sie können während jeder offenen Einschreibungsperiode ein Upgrade durchführen und die Studiengebühren bezahlen, um eine Anrechnung für << diesen Kurs / diese Kurse in dieser Specialization>> auf Graduate-Ebene der CU Boulder zu erhalten. Da << dieser Kurs / diese Kurse >> sowohl im MS in Computer Science als auch im MS in Data Science Programm aufgelistet sind, müssen Sie vor dem Upgrade festlegen, für welches Programm Sie die Credits erwerben möchten.
MS in Data Science (MS-DS) Credit: Um ein Upgrade auf die anrechenbare Data Science (DTSA)-Version von << diesem Kurs / diesen Kursen >> durchzuführen, verwenden Sie das MS-DS-Anmeldeformular. Siehe Wie es funktioniert.
MS in Computer Science (MS-CS) Credit : Um auf die anrechenbare Computer Science (CSCA) Version von << diesem Kurs / diesen Kursen >> umzusteigen, verwenden Sie das MS-CS Anmeldeformular. Siehe Wie es funktioniert.
Wenn Sie sich nicht sicher sind, welches Programm für Sie am besten geeignet ist, sehen Sie sich die Websites der MS-CS und MS-DS Programme an und kontaktieren Sie datascience@colorado.edu oder mscscoursera-info@colorado.edu, wenn Sie noch Fragen haben.