Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 31.305
- Реакции
- 440.344
[Udemy] Глубокое обучение: классификация изображений с Tensorflow в 2023 году (2023)
Сегодня модели классификации изображений используются в разных местах, например, на фермах, в больницах, на предприятиях, в школах и на автомагистралях…
С созданием гораздо более эффективных моделей глубокого обучения в начале 2010-х годов мы увидели значительное улучшение состояния дел в области классификации изображений.
В этом курсе мы отправим вас в удивительное путешествие, в котором вы постепенно освоите различные концепции. Мы начнем с понимания того, как работают алгоритмы классификации изображений, и развертывания их в облаке с соблюдением передового опыта. Мы будем использовать Tensorflow 2 (самую популярную в мире библиотеку для глубокого обучения, созданную Google) и Huggingface.
Ты выучишь:
Основы Tensorflow (тензоры, построение моделей, обучение и оценка)
Алгоритмы глубокого обучения, такие как сверточные нейронные сети и преобразователи зрения.
Оценка моделей классификации (точность, полнота, точность, оценка F1, матрица путаницы, кривая ROC)
Снижение переобучения с помощью увеличения данных
Расширенные концепции Tensorflow, такие как настраиваемые потери и метрики, режимы Eager и Graph, а также настраиваемые циклы обучения, Tensorboard.
Операции машинного обучения (MLOps) с весами и смещениями (отслеживание экспериментов, настройка гиперпараметров, управление версиями наборов данных, управление версиями моделей)
Бинарная классификация с обнаружением малярии
Многоклассовая классификация с обнаружением человеческих эмоций
Передача обучения с помощью современных сетей Convnet (Vggnet, Resnet, Mobilenet, Efficientnet)
Развертывание модели (формат Onnx, квантизация, Fastapi, облако Heroku)
Если вы хотите сделать шаг вперед в своей карьере, этот курс предназначен для вас, и мы очень рады помочь вам в достижении ваших целей!
Этот курс предлагает вам Neuralearn. И, как и в любом другом курсе Neuralearn, мы уделяем большое внимание обратной связи. Ваши отзывы и вопросы на форуме помогут нам улучшить этот курс. Не стесняйтесь задавать как можно больше вопросов на форуме. Мы делаем все возможное, чтобы ответить в кратчайшие сроки.
Наслаждаться!!!
Для кого этот курс:
Начинающие разработчики Python интересуются применением глубокого обучения для компьютерного зрения
Глубокое обучение для специалистов по компьютерному зрению, которые хотят понять, как все работает внутри
Любой, кто хочет освоить основы глубокого обучения, а также практиковать глубокое обучение для классификации изображений, используя лучшие практики TensorFlow.
Специалисты по компьютерному зрению, которые хотят узнать, как строятся и обучаются современные модели классификации изображений с использованием глубокого обучения.
Любой, кто хочет развернуть модели классификации изображений
Учащиеся, которым нужен практический подход к глубокому обучению для классификации изображений
Требования
Базовые знания Python
Доступ к Интернету, так как мы будем использовать Google Colab (бесплатная версия)
Материал на английском языке
Подробнее:
Сегодня модели классификации изображений используются в разных местах, например, на фермах, в больницах, на предприятиях, в школах и на автомагистралях…
С созданием гораздо более эффективных моделей глубокого обучения в начале 2010-х годов мы увидели значительное улучшение состояния дел в области классификации изображений.
В этом курсе мы отправим вас в удивительное путешествие, в котором вы постепенно освоите различные концепции. Мы начнем с понимания того, как работают алгоритмы классификации изображений, и развертывания их в облаке с соблюдением передового опыта. Мы будем использовать Tensorflow 2 (самую популярную в мире библиотеку для глубокого обучения, созданную Google) и Huggingface.
Ты выучишь:
Основы Tensorflow (тензоры, построение моделей, обучение и оценка)
Алгоритмы глубокого обучения, такие как сверточные нейронные сети и преобразователи зрения.
Оценка моделей классификации (точность, полнота, точность, оценка F1, матрица путаницы, кривая ROC)
Снижение переобучения с помощью увеличения данных
Расширенные концепции Tensorflow, такие как настраиваемые потери и метрики, режимы Eager и Graph, а также настраиваемые циклы обучения, Tensorboard.
Операции машинного обучения (MLOps) с весами и смещениями (отслеживание экспериментов, настройка гиперпараметров, управление версиями наборов данных, управление версиями моделей)
Бинарная классификация с обнаружением малярии
Многоклассовая классификация с обнаружением человеческих эмоций
Передача обучения с помощью современных сетей Convnet (Vggnet, Resnet, Mobilenet, Efficientnet)
Развертывание модели (формат Onnx, квантизация, Fastapi, облако Heroku)
Если вы хотите сделать шаг вперед в своей карьере, этот курс предназначен для вас, и мы очень рады помочь вам в достижении ваших целей!
Этот курс предлагает вам Neuralearn. И, как и в любом другом курсе Neuralearn, мы уделяем большое внимание обратной связи. Ваши отзывы и вопросы на форуме помогут нам улучшить этот курс. Не стесняйтесь задавать как можно больше вопросов на форуме. Мы делаем все возможное, чтобы ответить в кратчайшие сроки.
Наслаждаться!!!
Для кого этот курс:
Начинающие разработчики Python интересуются применением глубокого обучения для компьютерного зрения
Глубокое обучение для специалистов по компьютерному зрению, которые хотят понять, как все работает внутри
Любой, кто хочет освоить основы глубокого обучения, а также практиковать глубокое обучение для классификации изображений, используя лучшие практики TensorFlow.
Специалисты по компьютерному зрению, которые хотят узнать, как строятся и обучаются современные модели классификации изображений с использованием глубокого обучения.
Любой, кто хочет развернуть модели классификации изображений
Учащиеся, которым нужен практический подход к глубокому обучению для классификации изображений
Требования
Базовые знания Python
Доступ к Интернету, так как мы будем использовать Google Colab (бесплатная версия)
Материал на английском языке
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
