Une introduction structurée aux réseaux neuronaux, à l’intuition des CNN, aux modèles de vision préentraînés et à la mise en pratique de l’apprentissage par transfert.
Passez du rôle de l’apprentissage profond et des familles de réseaux neuronaux aux fondamentaux de PyTorch, à la structure convolutionnelle, aux modèles préentraînés et à l’apprentissage par transfert. La dernière leçon fournit le cadre d’un projet de classification d’images. Le contenu est présenté à travers des démonstrations YouTube de CampusX ; vérifiez donc les API des bibliothèques et les conditions des jeux de données dans la documentation actuelle avant de mettre en œuvre un projet.
Distinguer les approches d’apprentissage profond des flux de travail plus larges de l’apprentissage automatique. Décrire intuitivement ce que les convolutions apportent à un modèle d’image. Comparer l’extraction de caractéristiques et l’ajustement fin comme stratégies d’apprentissage par transfert. Planifier une expérience de classification d’images avec séparation du jeu de données et examen des erreurs.
Des bases de Python et le vocabulaire introductif de l’apprentissage automatique sont utiles. Vous devez être à l’aise avec l’installation de paquets et la lecture de courts exemples de code.
Aux débutants qui souhaitent une introduction claire et guidée, sans jargon inutile
Aux personnes qui apprennent mieux avec des exemples, des leçons guidées et de la pratique
Aux professionnels, créateurs et développeurs indépendants recherchant une méthode reproductible
La leçon 1 est gratuite
7 leçons · Débutant · Cours complet.
Ce cours utilise du contenu sous licence CC BY attribué à son fournisseur ou à la personne qui l’a mis en ligne. La lecture des leçons est disponible uniquement après authentification et validation des contrôles de publication et de licence.