Il corso Solving Machine Learning Problems in TensorFlow/Keras (Image Processing using Deep Learning) è rivolto agli ingegneri di Machine Learning – elaborazione delle immagini.
In questo corso gli studenti apprenderanno la classificazione e la localizzazione delle immagini insieme alle migliori pratiche nella visione artificiale.
Per poter partecipare a questo corso, gli studenti devono aver completato il modulo Basic Machine Learning in Tensorflow/Keras.
Si consiglia agli studenti di possedere le seguenti conoscenze:
Apprendimento profondo di base
● Neuroni
● Tipi di livelli
● Reti
● Funzioni di perdita
● Ottimizzatori
● Adattamento eccessivo
● Tensorflusso
Elaborazione di immagini di base/Visione artificiale
● Codifica
● Spazi colore
● Convoluzioni
● ApriCV/PIL
Modulo 1: Introduzione al Deep Learning nell'elaborazione delle immagini
- Apprendimento automatico e apprendimento profondo
- Anatomia della rete neurale
- Tipi di convoluzioni
- Flusso di lavoro Keras
Modulo 2: Elaborazione di immagini di base e visione artificiale
- Pixel e immagini
- Sistema di coordinate
- Canali
- OpenCV
- Ordinamento dei canali
- Sfoca e rendi più nitidi i chicchi
Laboratorio pratico: Impara l'elaborazione di base delle immagini utilizzando OpenCV, impara ad applicare diversi kernel di filtro sulle immagini per la generazione di sfocature o il rilevamento di base dei bordi.
Modulo 3: Reti Neurali Supervisionate e Regolarizzazione
- inadeguato
- sovradattamento
- Riduzione delle dimensioni della rete
- Regolarizzazione del peso: L1, L2, Elastico
- dropout
- Normalizzazione in lotti
Laboratorio pratico: Implementa la tua prima rete neurale di base, scopri come confrontarla e come evitare l'adattamento eccessivo in un'attività di classificazione della visione artificiale.
Modulo 4: Reti Neurali Convoluzionali
- Strati convoluzionali
- Convoluzioni in profondità
- Costruzione di reti neurali convoluzionali in Keras
- Convoluzioni 1×1
- Aumento dei dati
Laboratorio pratico: Migliora la tua rete neurale precedente aggiungendo livelli convoluzionali, confrontali e confrontali con quelli completamente connessi.
Modulo 5: Architetture comuni di reti neurali convoluzionali
- IMAGEnet
- AlexNet
- Rete VGG
- RESNET
- Rete Mobile
Laboratorio pratico: Scopri come utilizzare i modelli già all'avanguardia del Keras Hub.
Modulo 6: Riutilizzo delle reti neurali convoluzionali
- Localizzazione degli oggetti
- Segmentazione degli oggetti
- Riutilizzare VGG
- Ritocchi
Laboratorio pratico: Scopri come ottimizzare i parametri della tua rete neurale convoluzionale già addestrata per adattarla al tuo compito.
Mode 7: AI spiegabile
- Visualizzazione delle attivazioni intermedie
- Convenzione di visualizzazione
- Visualizzazione delle mappe di calore
Modulo 8: Modelli generativi non supervisionati per l'elaborazione delle immagini
- Codificatori automatici per immagini
- deblurring
- Generazione di immagini
Laboratorio pratico: genera una nuova immagine simile a quelle del set di dati utilizzando un seme casuale. Realizza tecniche di generazione
Modulo 9: Apprendimento automatico nel mondo reale
- Tensorboard
- Distribuzione di modelli di deep learning
- Scelta dell'algoritmo
Risoluzione dei problemi di machine learning in TensorFlow/Keras (elaborazione delle immagini tramite deep learning)
