Глубокое Обучение

Глубокое обучение для компьютерного зрения — Научитесь создавать и применять модели глубокого обучения, такие как сверточные нейронные сети (CNN), для задач классификации изображений, обнаружения объектов и генерации изображений с использованием фреймворков, таких как TensorFlow и PyTorch.

Сверточные нейронные сети на Python: CNN для обработки изображений и НЛП.

Глубокое обучение для компьютерного зрения
Освойте сверточные нейронные сети (CNN) с помощью Python и TensorFlow для создания мощных моделей классификации изображений и анализа текста для реальных задач в области анализа данных.
★ 4.4 (7,279)

Глубокое обучение для компьютерного зрения: от сверточных нейронных сетей до генеративно-состязательных сетей.

Глубокое обучение для компьютерного зрения
Создавайте практические модели для обнаружения объектов, переноса нейронного стиля и генерации изображений с использованием Python, Keras и TensorFlow.
★ 4.7 (7,100)

Компьютерное зрение и сверточные нейронные сети с использованием TensorFlow

Глубокое обучение для компьютерного зрения
Создание и оптимизация сверточных нейронных сетей для распознавания изображений с использованием TensorFlow и современных методов компьютерного зрения.
★ 4.7 (8,223)

Свёрточные нейронные сети для начинающих

Глубокое обучение для компьютерного зрения
Освоите основы компьютерного зрения и научитесь создавать нейронные сети, которые могут анализировать и распознавать изображения.
★ 4.9 (1,473)

Современное видение ИИ и мультимодальное понимание

Глубокое обучение для компьютерного зрения
Узнайте, как искусственный интеллект интерпретирует изображения и текст с использованием фундаментальной обработки сигналов и современных мультимодальных архитектур.
★ 4.4 (30)

Автоматизация обработки изображений для больших наборов данных

Глубокое обучение для компьютерного зрения
Узнайте, как создавать автоматизированные конвейеры для эффективной обработки больших объемов изображений и видеоданных.
★ 4.7 (28)

Компьютерное зрение и машинное обучение с MATLAB

Глубокое обучение для компьютерного зрения
Учитесь создавать модели классификации изображений и обнаружения объектов с помощью MATLAB для решения реальных инженерных и научных задач.
★ 4.8 (23)

Руководство для начинающих по глубокому обучению для классификации изображений

Глубокое обучение для компьютерного зрения
Узнайте, как построить и оценить модели глубинного обучения для различных задач классификации изображений, начиная с базовых знаний.
★ 4.9 (19)

Введение в CNN с Python: Создание и обучение моделей

Глубокое обучение для компьютерного зрения
Начните свой путь в глубоком обучении, научившись проектировать, обучать и оценивать сверточные нейронные сети с использованием современных практик Python.
★ 4.7 (19)

Введение в генерацию изображений с помощью ИИ и диффузионные модели

Глубокое обучение для компьютерного зрения
Поймите фундаментальную науку, лежащую в основе современных диффузионных моделей, и узнайте, как системы преобразования текста в изображения генерируют высококачественные визуальные концепции.
★ 4.8 (16)

Глубокое обучение для компьютерного зрения: обнаружение аномалий и синтез данных

Глубокое обучение для компьютерного зрения
Научитесь создавать модели компьютерного зрения для обнаружения аномалий на изображениях, автоматизации разметки и генерации синтетических обучающих данных даже при ограниченных наборах данных.
★ 4.9 (15)

Разработка системы обнаружения дефектов на основе визуального контроля для производственной линии

Глубокое обучение для компьютерного зрения
Пройдите практический дизайн системы обнаружения дефектов на основе визуального контроля, от настройки изображений до выбора модели, оценки и интеграции линии.

Стабильная диффузия для программистов: генеративный ИИ с PyTorch

Глубокое обучение для компьютерного зрения
Освоить механику моделей латентной диффузии для генерации и управления изображениями с помощью PyTorch и Hugging Face Diffusers.

Генеративный ИИ с диффузионными моделями: практическое руководство по синтезу изображений

Глубокое обучение для компьютерного зрения
Понимание механики дешумления диффузии и настройка современных генеративных моделей для синтеза высококачественных изображений из текстовых подсказок.