Dans ce cours, vous apprendrez ce qu'est la vision par ordinateur en tant que domaine d'étude et de recherche. Tout d'abord, nous explorerons plusieurs tâches de vision par ordinateur et les approches suggérées, du point de vue classique de la vision par ordinateur. Ensuite, nous introduirons les méthodes d'apprentissage profond et les appliquerons à certains des mêmes problèmes. Nous analyserons les résultats et discuterons des avantages et des inconvénients des deux types de méthodes. Nous utiliserons des tutoriels pour vous permettre d'explorer de manière pratique certains outils et bibliothèques logicielles modernes d'apprentissage automatique. Les exemples de tâches de vision informatique où l'apprentissage profond peut être appliqué comprennent : la classification d'images, la classification d'images avec localisation, la détection d'objets, la segmentation d'objets, la reconnaissance faciale et l'estimation de l'activité ou de la pose. Ce cours peut être suivi pour obtenir des crédits académiques dans le cadre des diplômes MS in Data Science ou MS in Computer Science de CU Boulder offerts sur la plate-forme Coursera. Ces diplômes d'études supérieures entièrement accrédités offrent des cours ciblés, des sessions courtes de 8 semaines et des frais de scolarité à la carte. L'admission est basée sur la performance dans trois cours préliminaires, et non sur les antécédents scolaires. Les diplômes CU sur Coursera sont idéaux pour les jeunes diplômés ou les professionnels en activité. Pour en savoir plus :
Offrez à votre carrière le cadeau de Coursera Plus avec $160 de réduction, facturé annuellement. Économisez aujourd’hui.
Applications d'apprentissage profond pour la vision par ordinateur
Instructeur : Ioana Fleming
7 513 déjà inscrits
Inclus avec 
(76 avis)
Expérience recommandée
Ce que vous apprendrez
Les apprenants seront capables d'expliquer ce qu'est la vision par ordinateur et de donner des exemples de tâches de vision par ordinateur
Les apprenants seront capables de décrire le processus qui sous-tend les solutions algorithmiques classiques aux tâches de vision par ordinateur et d'expliquer leurs avantages et leurs inconvénients.
Les apprenants seront en mesure d'utiliser des outils modernes d'apprentissage automatique et des bibliothèques python.
Compétences que vous acquerrez
- Catégorie : Vision par ordinateur
- Catégorie : Réseau neuronal convolutif
- Catégorie : Apprentissage automatique
- Catégorie : Deep learning
Détails à connaître
Ajouter à votre profil LinkedIn
4 quizzes
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 5 modules dans ce cours
Dans ce module, vous découvrirez le domaine de la vision par ordinateur. L'objectif de la vision par ordinateur est d'extraire des informations des images. Nous passerons en revue les principales catégories de tâches de la vision par ordinateur et nous donnerons des exemples d'applications pour chaque catégorie. Avec l'adoption des techniques d'apprentissage automatique et d'apprentissage profond, nous examinerons l'impact de ces techniques sur le domaine de la vision par ordinateur.
Inclus
4 vidéos13 lectures1 quiz1 sujet de discussion
Dans ce module, vous apprendrez les outils et les techniques classiques de vision par ordinateur. Nous explorerons l'opération de convolution, les filtres linéaires et les algorithmes de détection des caractéristiques des images.
Inclus
5 vidéos10 lectures1 quiz
Dans ce module, nous allons d'abord passer en revue les défis de la reconnaissance d'objets dans le cadre de la vision par ordinateur classique. Ensuite, nous passerons en revue les étapes de la reconnaissance d'objets et de la classification d'images dans le pipeline classique de vision par ordinateur.
Inclus
3 vidéos2 lectures1 quiz
Dans ce module, nous comparerons les différences entre le pipeline de classification d'images avec les réseaux neuronaux et celui avec les outils classiques de vision par ordinateur. Nous passerons ensuite en revue les composants de base d'un réseau neuronal. Nous terminerons par un tutoriel sur Tensor flow où nous pratiquerons la construction, l'entraînement et l'utilisation d'un réseau de neurones pour les prédictions de classification d'images.
Inclus
4 vidéos5 lectures1 évaluation par les pairs1 laboratoire non noté
Dans ce module, nous découvrirons les composants des réseaux neuronaux convolutifs. Nous étudierons les paramètres et hyperparamètres qui décrivent un réseau profond et explorerons leur rôle dans l'amélioration de la précision des modèles d'apprentissage profond. Nous terminerons par un tutoriel sur Tensor Flow où nous nous entraînerons à construire, entraîner et utiliser un réseau neuronal profond pour la classification d'images.
Inclus
6 vidéos10 lectures1 quiz1 évaluation par les pairs1 laboratoire non noté
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
University of Illinois Urbana-Champaign
Imperial College London
University of Washington
Préparer un diplôme
Ce site cours fait partie du (des) programme(s) diplômant(s) suivant(s) proposé(s) par University of Colorado Boulder. Si vous êtes admis et que vous vous inscrivez, les cours que vous avez suivis peuvent compter pour l'apprentissage de votre diplôme et vos progrès peuvent être transférés avec vous.¹
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 76
76 avis
- 5 stars
75 %
- 4 stars
18,42 %
- 3 stars
3,94 %
- 2 stars
0 %
- 1 star
2,63 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
Un cours cross-listed est proposé dans le cadre de deux ou plusieurs programmes diplômants de CU Boulder sur Coursera. Par exemple, Dynamic Programming, Greedy Algorithms est proposé en tant que CSCA 5414 pour le MS-CS et DTSA 5503 pour le MS-DS.
- Vous ne pouvez pas obtenir de crédits pour plus d'une version d'un cours figurant sur une liste croisée.
- Vous pouvez identifier les cours à liste croisée en consultant le manuel de l'étudiant de votre programme.
- Votre relevé de notes en sera affecté. Les cours figurant sur des listes croisées sont considérés comme équivalents lors de l'évaluation des conditions d'obtention du diplôme. Toutefois, nous vous encourageons à suivre les versions de votre programme de ces cours (lorsqu'ils sont disponibles) afin de vous assurer que votre relevé de notes reflète le nombre important de cours que vous suivez directement dans votre département d'origine. Tous les cours que vous suivez dans le cadre d'un autre programme apparaîtront sur votre relevé de notes avec le préfixe de ce programme (par exemple, DTSA ou CSCA).
- Les programmes peuvent avoir des exigences différentes en matière de notes minimales pour l'admission et l'obtention du diplôme. Par exemple, le MS-DS exige un C ou mieux dans tous les cours pour l'obtention du diplôme (et une MPC de 3,0 pour l'admission), tandis que le MS-CS exige un B ou mieux dans tous les cours d'approfondissement et un C ou mieux dans tous les cours à option pour l'obtention du diplôme (et un B ou mieux dans chaque cours de la voie d'accès pour l'admission). Tous les programmes exigent que les étudiants maintiennent une moyenne pondérée cumulative de 3,0 pour l'admission et l'obtention du diplôme.
Oui. Les cours figurant sur des listes croisées sont considérés comme équivalents lors de l'évaluation des conditions d'obtention du diplôme. Vous pouvez identifier les cours croisés en consultant le manuel de l'étudiant de votre programme.
Vous pouvez mettre à niveau et payer des frais de scolarité pendant toute période d'inscription ouverte pour obtenir des crédits de CU Boulder de niveau supérieur pour << ce cours / ces cours dans cette spécialisation>>. Étant donné que << ce cours est / ces cours sont >> répertoriés à la fois dans les programmes MS in Computer Science et MS in Data Science, vous devrez déterminer quel programme vous souhaitez obtenir le crédit avant de vous mettre à niveau.
Crédit MS in Data Science (MS-DS) : Pour passer à la version de << ce cours / ces cours >> donnant droit à des crédits en science des données (DTSA), utilisez le formulaire d'inscription au MS-DS. Voir comment cela fonctionne.
MS in Computer Science (MS-CS) Credit : Pour passer à la version à crédits en informatique (CSCA) de << ce cours / ces cours >>, utilisez le formulaire d'inscription MS-CS. Voir comment cela fonctionne.
Si vous n'êtes pas sûr du programme qui vous convient le mieux, consultez les sites web des programmes MS-CS et MS-DS, puis contactez datascience@colorado.edu ou mscscoursera-info@colorado.edu si vous avez encore des questions.