Nota: questo corso non sarà più disponibile dal giorno 11/29/2023. Se desideri completare il corso, dovrai farlo prima di questa data. Al momento non è presente un corso sostitutivo.
In questo corso, scoprirai come sviluppare un'utile comprensione dei componenti di una rete neurale convoluzionale (CNN) come le convoluzioni e i livelli di pooling, ecc. In questo corso, Alex Smola e Tong He mostrano come implementare alcune tecniche di visione artificiale utilizzando GluonCV, un kit di strumenti di visione artificiale.
Nota: questo corso fornisce trascrizioni/sottotitoli localizzati. La narrazione è in inglese.Per visualizzare i sottotitoli, fare clic sul pulsante CC nell'angolo in basso a destra del lettore.
Destinatari principali
Questo corso è destinato a:
- Sviluppatori che puntano a implementare modelli comuni di visione artificiale
Obiettivi del corso
In questo corso, imparerai a:
- Riepilogare vari componenti della rete neurale convoluzionale come convoluzioni, padding e canali   Â
- Tradurre i componenti in codice durante la creazione di una rete neurale come LeNet    Â
- Importare i tuoi dati in un Gluon Data Loader per l'addestramento e la trasformazione
Prerequisiti
È consigliabile che i partecipanti a questo corso soddisfino i seguenti prerequisiti:
- Una comprensione di base delle reti neurali artificiali    Â
- Una comprensione di base degli argomenti di algebra lineare come matrici, moltiplicazione di matrice e prodotti scalari
Tipo di corso
Il corso viene offerto mediante:
- Formazione digitale
Durata
2 ore
Riepilogo del corso
Il corso copre i seguenti argomenti:
- Convoluzioni    Â
- Padding e stride   Â
- Canali    Â
- Pooling   Â
- LeNet    Â
- Funzioni di attivazione   Â
- Dropout    Â
- Normalizzazione in batch   Â
- Blocchi    Â
- Il problema dell'ultimo livello   Â
- Reti residue    Â
- Elaborazione dati
