Éditeur : Académie Start-Tech

Prix : 109 $

Durée du cours :

->

Langue du cours : Anglais

La description

Vous recherchez un complet Cours sur le réseau de neurones convolutifs (CNN) qui vous apprend tout ce dont vous avez besoin pour créer un modèle de reconnaissance d’image en Python, non?

Tu as trouvé le bon Cours sur les réseaux de neurones convolutifs!

Après avoir terminé ce cours vous serez en mesure de:

• Identifiez les problèmes de reconnaissance d’image qui peuvent être résolus à l’aide des modèles CNN.

• Créez des modèles CNN en Python à l’aide des bibliothèques Keras et Tensorflow et analysez leurs résultats.

• Pratiquez, discutez et comprenez en toute confiance les concepts du Deep Learning

• Avoir une compréhension claire des modèles de reconnaissance d’image avancée tels que LeNet, GoogleNet, VGG16, etc.

Comment ce cours vous aidera-t-il?

UNE Certificat d’achèvement vérifiable est présenté à tous les étudiants qui suivent ce cours sur les réseaux de neurones convolutifs.

Si vous êtes un analyste ou un scientifique ML, ou un étudiant qui souhaite apprendre et appliquer le Deep Learning dans les problèmes de reconnaissance d’images du monde réel, ce cours vous donnera une base solide pour cela en vous enseignant certains des concepts les plus avancés du Deep Learning. et leur implémentation en Python sans devenir trop mathématique.

Pourquoi devriez-vous choisir ce cours?

Ce cours couvre toutes les étapes à suivre pour créer un modèle de reconnaissance d’image à l’aide des réseaux de neurones convolutifs.

La plupart des cours se concentrent uniquement sur l’enseignement de la manière de mener l’analyse, mais nous pensons qu’une solide compréhension théorique des concepts nous permet de créer un bon modèle. Et après avoir exécuté l’analyse, on devrait être en mesure de juger de la qualité du modèle et d’interpréter les résultats pour pouvoir réellement aider l’entreprise.

Qu’est-ce qui nous rend qualifiés pour vous enseigner?

Le cours est enseigné par Abhishek et Pukhraj. En tant que gestionnaires de la société Global Analytics Consulting, nous avons aidé les entreprises à résoudre leurs problèmes commerciaux en utilisant des techniques d’apprentissage en profondeur et nous avons utilisé notre expérience pour inclure les aspects pratiques de l’analyse des données dans ce cours.

Nous sommes également les créateurs de certains des cours en ligne les plus populaires – avec plus de 300000 inscriptions et des milliers de critiques 5 étoiles comme celles-ci:

C’est très bien, j’aime le fait que toutes les explications données peuvent être comprises par un profane – Joshua

Merci Auteur pour ce merveilleux cours. Vous êtes le meilleur et ce cours vaut n’importe quel prix. – Marguerite

Notre promesse

Enseigner à nos étudiants est notre travail et nous nous y engageons. Si vous avez des questions sur le contenu du cours, la feuille de pratique ou tout autre sujet lié à un sujet, vous pouvez toujours poster une question dans le cours ou nous envoyer un message direct.

Téléchargez les fichiers de pratique, passez le test de pratique et terminez les devoirs

À chaque conférence, des notes de cours sont jointes que vous pouvez suivre. Vous pouvez également passer un test pratique pour vérifier votre compréhension des concepts. Il y a une tâche pratique finale pour vous de mettre en pratique votre apprentissage.

Qu’est-ce qui est couvert dans ce cours?

Ce cours vous apprend toutes les étapes de la création d’un modèle basé sur un réseau neuronal, c’est-à-dire un modèle d’apprentissage profond, pour résoudre des problèmes commerciaux.

Voici le contenu du cours de ce cours sur ANN:

• Partie 1 (Section 2) – Les bases de Python

  Cette partie vous permet de démarrer avec Python.

  Cette partie vous aidera à configurer l’environnement python et Jupyter sur votre système et vous apprendra à effectuer certaines opérations de base en Python. Nous comprendrons l’importance de différentes bibliothèques telles que Numpy, Pandas & Seaborn.

• Partie 2 (section 3-6) – Concepts théoriques ANN

  Cette partie vous donnera une solide compréhension des concepts impliqués dans les réseaux de neurones.

  Dans cette section, vous découvrirez les cellules individuelles ou Perceptrons et comment les Perceptrons sont empilés pour créer une architecture réseau. Une fois l’architecture définie, nous comprenons l’algorithme de descente de gradient pour trouver les minima d’une fonction et apprendre comment cela est utilisé pour optimiser notre modèle de réseau.

• Partie 3 (Section 7-11) – Création d’un modèle ANN en Python

  Dans cette partie, vous apprendrez à créer des modèles ANN en Python.

  Nous commencerons cette section en créant un modèle ANN à l’aide de l’API séquentielle pour résoudre un problème de classification. Nous apprenons à définir l’architecture réseau, à configurer le modèle et à former le modèle. Ensuite, nous évaluons les performances de notre modèle entraîné et l’utilisons pour prédire sur de nouvelles données. Enfin, nous apprenons à enregistrer et à restaurer des modèles.

  Nous comprenons également l’importance des bibliothèques telles que Keras et TensorFlow dans cette partie.

• Partie 4 (section 12) – Concepts théoriques de CNN

  Dans cette partie, vous découvrirez les couches convolutives et de pooling qui sont les éléments constitutifs des modèles CNN.

  Dans cette section, nous commencerons par la théorie de base de la couche convolutive, de la foulée, des filtres et des cartes de caractéristiques. Nous expliquons également en quoi les images en niveaux de gris sont différentes des images colorées. Enfin, nous discutons de la couche de mise en commun qui apporte une efficacité de calcul dans notre modèle.

• Partie 5 (Section 13-14) – Création d’un modèle CNN en Python
  Dans cette partie, vous apprendrez à créer des modèles CNN en Python.

  Nous reprendrons le même problème de reconnaissance des objets de mode et y appliquerons le modèle CNN. Nous comparerons les performances de notre modèle CNN avec notre modèle ANN et remarquerons que la précision augmente de 9 à 10% lorsque nous utilisons CNN. Cependant, ce n’est pas la fin. Nous pouvons encore améliorer la précision en utilisant certaines techniques que nous explorons dans la partie suivante.

• Partie 6 (Section 15-18) – Projet de reconnaissance d’image de bout en bout en Python
  Dans cette section, nous construisons un projet complet de reconnaissance d’image sur des images colorées.

  Nous participons à un concours de reconnaissance d’images Kaggle et construisons un modèle CNN pour le résoudre. Avec un modèle simple, nous obtenons une précision de près de 70% sur l’ensemble de test. Ensuite, nous apprenons des concepts tels que l’augmentation des données et l’apprentissage par transfert qui nous aident à améliorer le niveau de précision de 70% à près de 97% (aussi bon que les gagnants de ce concours).

À la fin de ce cours, votre confiance dans la création d’un modèle de réseau neuronal convolutif en Python augmentera. Vous aurez une compréhension approfondie de la façon d’utiliser CNN pour créer des modèles prédictifs et résoudre les problèmes de reconnaissance d’image.

Allez-y et cliquez sur le bouton d’inscription, et je vous verrai dans la leçon 1!

À votre santé

Académie Start-Tech

————

Vous trouverez ci-dessous quelques FAQ populaires d’étudiants qui souhaitent commencer leur parcours d’apprentissage profond.

Pourquoi utiliser Python pour le Deep Learning?

Comprendre Python est l’une des compétences précieuses nécessaires à une carrière dans le Deep Learning.

Bien que cela ne l’a pas toujours été, Python est le langage de programmation de choix pour la science des données. Voici un bref historique:

En 2016, il a dépassé R sur Kaggle, la première plate-forme pour les concours de science des données.

En 2017, il a dépassé R sur le sondage annuel de KDNuggets sur les outils les plus utilisés par les data scientists.

En 2018, 66% des data scientists ont déclaré utiliser Python quotidiennement, ce qui en fait l’outil numéro un pour les professionnels de l’analyse.

Les experts du Deep Learning s’attendent à ce que cette tendance se poursuive avec le développement croissant de l’écosystème Python. Et même si votre parcours d’apprentissage de la programmation Python ne fait que commencer, il est bon de savoir que les opportunités d’emploi sont également abondantes (et en croissance).

Quelle est la différence entre l’exploration de données, l’apprentissage automatique et l’apprentissage en profondeur?

En termes simples, l’apprentissage automatique et l’exploration de données utilisent les mêmes algorithmes et techniques que l’exploration de données, sauf que les types de prédictions varient. Alors que l’exploration de données découvre des modèles et des connaissances jusque-là inconnus, l’apprentissage automatique reproduit des modèles et des connaissances connus et applique automatiquement ces informations aux données, à la prise de décision et aux actions.

L’apprentissage en profondeur, quant à lui, utilise une puissance de calcul avancée et des types spéciaux de réseaux neuronaux et les applique à de grandes quantités de données pour apprendre, comprendre et identifier des modèles complexes. La traduction automatique de la langue et les diagnostics médicaux sont des exemples d’apprentissage profond.