El curso Resolución de problemas de aprendizaje automático en TensorFlow/Keras (procesamiento de imágenes mediante aprendizaje profundo) está dirigido a ingenieros de aprendizaje automático: procesamiento de imágenes.
En este curso, los estudiantes aprenderán sobre clasificación y localización de imágenes junto con las mejores prácticas en visión por computadora.
Para participar en este curso, los estudiantes deben haber completado el módulo de Aprendizaje automático básico en Tensorflow/Keras.
Se recomienda que los estudiantes tengan los siguientes conocimientos:
Aprendizaje profundo básico
● Neuronas
● Tipos de capas
● redes
● Funciones de pérdida
● Optimizadores
● Sobreajuste
● Tensorflow
Procesamiento básico de imágenes/visión por computadora
● Codificación
● Espacios de color
● Convoluciones
● OpenCV/PIL
Módulo 1: Introducción al aprendizaje profundo en el procesamiento de imágenes
- Aprendizaje automático y aprendizaje profundo
- Anatomía de la red neuronal
- Tipos de convoluciones
- Flujo de trabajo de Keras
Módulo 2: Procesamiento Básico de Imágenes y Visión por Computadora
- Píxeles e imágenes
- Sistema coordinado
- Canales
- OpenCV
- Orden de canales
- Desenfocar y afinar los núcleos
Laboratorio práctico: Aprenda el procesamiento de imágenes básico usando OpenCV, aprenda a aplicar diferentes núcleos de filtro en imágenes para generar desenfoque o detección básica de bordes.
Módulo 3: Redes Neuronales Supervisadas y Regularización
- Adecuado
- Sobreajuste
- Reducir el tamaño de la red
- Regularización de Peso: L1, L2, Elástico
- Punteras
- Normalización de lote
Laboratorio práctico: Implemente su primera red neuronal básica, aprenda a compararla y aprenda a evitar el sobreajuste en una tarea de clasificación de visión por computadora.
Módulo 4: Redes neuronales convolucionales
- Capas convolucionales
- Convoluciones en profundidad
- Construcción de redes neuronales convolucionales en Keras
- Convoluciones 1×1
- Aumento de datos
Laboratorio práctico: Mejore su red neuronal anterior agregando capas convolucionales, analícelas y compárelas con las totalmente conectadas.
Módulo 5: Arquitecturas comunes de redes neuronales convolucionales
- ImagenNet
- AlexNet
- VGGNet
- Resnet
- red móvil
Laboratorio práctico: Aprenda a utilizar modelos ya de última generación de Keras Hub.
Módulo 6: Reutilización de redes neuronales convolucionales
- Localización de objetos
- Segmentación de objetos
- Reutilizar VGG
- Sintonia FINA
Laboratorio práctico: Aprenda a ajustar los parámetros de su red neuronal convolucional ya entrenada para que se ajuste a su tarea.
Moda 7: IA explicable
- Visualizando activaciones intermedias
- Convención de visualización
- Visualizando mapas de calor
Módulo 8: Modelos generativos no supervisados para procesamiento de imágenes
- Codificadores automáticos para imágenes
- Deblurring
- Generación de imagen
Laboratorio práctico: genera una nueva imagen similar a las del conjunto de datos utilizando una semilla aleatoria. Hacer técnicas de generación.
Módulo 9: Aprendizaje automático del mundo real
- Tablero de tensor
- Implementación de modelos de aprendizaje profundo
- Elegir el algoritmo
Resolución de problemas de aprendizaje automático en TensorFlow/Keras (procesamiento de imágenes mediante aprendizaje profundo)
