Remarque : ce cours expire le 29/11/2023. Si vous souhaitez finaliser ce cours, merci de le faire avant cette date. Il n’y a actuellement aucun cours de remplacement.
Description
Dans ce cours, vous allez développer des connaissances utiles sur les composants d'un réseau neuronal convolutif comme les convolutions, les couches de pooling, etc. Dans ce cours, Alex Smola et Tong He expliquent comment implémenter certaines techniques de vision par ordinateur en utilisant GluonCV, une boîte à outils de vision par ordinateur.
Remarque : ce cours comporte des transcriptions ou des sous-titres localisés. La narration est en anglais.Pour afficher les sous-titres, cliquez sur le bouton CC dans le coin inférieur droit du joueur.
Public visé
Ce cours s'adresse aux personnes suivantes :
- Développeurs cherchant à implémenter des modèles communs de vision par ordinateur
Objectifs du cours
Dans ce cours, vous apprendrez à :
- Résumer différents composants des réseaux neuronaux convolutifs tels que les convolutions, le padding et les canaux
- Traduire les composants en code lors de la création d'un réseau neuronal comme LeNet
- Importer vos données dans un chargeur de données Gluon pour l'entraînement et la transformation
Prérequis
Pour assister à ce cours, les participants doivent avoir les connaissances suivantes :
- Une compréhension de base des réseaux neuronaux artificiels
- Une compréhension de base des sujets d'algèbre linéaire comme les matrices, la multiplication matricielle et les produits scalaires
Méthode d'apprentissage
Ce cours combine les méthodes d'apprentissage suivantes :
- Formation numérique
Durée
2 heures
Déroulement du cours
Ce cours aborde les concepts suivants :
- Convolutions
- Padding et stride
- Canaux
- Pooling
- LeNet
- Fonctions d'activation
- DropOut
- Normalisation par lots
- Blocs
- La malédiction de la dernière couche
- Réseaux résiduels
- Traitement des données
