Computer Vision Video Lectures
1.0.0
Eine kuratierte Liste kostenloser, hochwertiger Kurse auf Universitätsniveau mit Videovorträgen im Bereich Computer Vision.
Signale und Systeme 6.003 (MIT), Prof. Dennis Freeman
[Kurs]
Signale und Systeme 6.003 behandelt die Grundlagen der Signal- und Systemanalyse und konzentriert sich auf Darstellungen zeitdiskreter und zeitkontinuierlicher Signale (Singularitätsfunktionen, komplexe Exponentialfunktionen und Geometrien, Fourier-Darstellungen, Laplace- und Z-Transformationen, Abtastung) sowie Darstellungen linearer Zeit -invariante Systeme (Differenz- und Differentialgleichungen, Blockdiagramme, Systemfunktionen, Pole und Nullstellen, Faltung, Impuls- und Sprungantworten, Frequenzantworten). Die Anwendungen stammen im Großen und Ganzen aus den Bereichen Technik und Physik, einschließlich Rückmeldung und Steuerung, Kommunikation und Signalverarbeitung.
Digitale Signalverarbeitung ECSE-4530 (Rensselaer Polytechnic Institute), Richard Radke
[Kurs] [YouTube]
Dieser Kurs bietet eine umfassende Behandlung der Theorie, des Designs und der Implementierung digitaler Signalverarbeitungsalgorithmen. In der ersten Hälfte des Kurses legen wir den Schwerpunkt auf die Frequenzbereichs- und Z-Transformationsanalyse. In der zweiten Hälfte des Kurses untersuchen wir fortgeschrittene Themen der Signalverarbeitung, einschließlich Multiraten-Signalverarbeitung, Filterdesign, adaptive Filterung, Quantisiererdesign und Leistungsspektrumschätzung. Der Kurs ist weitgehend anwendungsunabhängig und bietet eine solide theoretische Grundlage für zukünftige Studien in den Bereichen Kommunikation, Steuerung oder Bildverarbeitung. Dieser Kurs wurde ursprünglich für die Graduiertenebene angeboten, wurde jedoch 2009 auf die Oberstufe umgestellt.
Digitale Signalverarbeitung (EPFL), Paolo Prandoni, Martin Vetterli
[Kurs]
In dieser vierteiligen Kursreihe erlernen Sie die Grundlagen der digitalen Signalverarbeitung von Grund auf. Ausgehend von der grundlegenden Definition eines zeitdiskreten Signals werden wir uns durch Fourier-Analyse, Filterdesign, Abtastung, Interpolation und Quantisierung durcharbeiten, um ein DSP-Toolset aufzubauen, das vollständig genug ist, um ein praktisches Kommunikationssystem im Detail zu analysieren. Praktische Beispiele und Demonstrationen werden routinemäßig eingesetzt, um die Lücke zwischen Theorie und Praxis zu schließen.
Bild- und Videoverarbeitung: Vom Mars nach Hollywood mit einem Zwischenstopp am Krankenhaus (Duke University), Prof. Guillermo Sapiro
[Kurs] [YouTube]
In diesem Kurs lernen Sie die Wissenschaft kennen, die dahinter steckt, wie digitale Bilder und Videos erstellt, verändert, gespeichert und verwendet werden. Wir werden einen Blick auf die weite Welt der digitalen Bildgebung werfen, von der Art und Weise, wie Computer und Digitalkameras Bilder erzeugen, über die Verwendung digitaler Spezialeffekte in Hollywood-Filmen bis hin dazu, wie der Mars Rover Fotos über Millionen von Kilometern durch den Weltraum schicken konnte.
Der Kurs beginnt mit der Betrachtung der Funktionsweise des menschlichen visuellen Systems und vermittelt Ihnen dann die Technik, Mathematik und Informatik, die digitale Bilder zum Funktionieren bringen. Sie lernen die grundlegenden Algorithmen kennen, die zum Anpassen von Bildern verwendet werden, erkunden JPEG- und MPEG-Standards zum Kodieren und Komprimieren von Videobildern und lernen anschließend etwas über Bildsegmentierung, Rauschentfernung und Filterung. Abschließend befassen wir uns mit Bildverarbeitungstechniken, die in der Medizin eingesetzt werden.
Einführung in die digitale Bildverarbeitung ECSE-4540 (Rensselaer Polytechnic Institute), Richard Radke
[Kurs] [YouTube]
Eine Einführung in das Gebiet der Bildverarbeitung, die sowohl analytische als auch umsetzungsbezogene Aspekte umfasst. Zu den Themen gehören das menschliche visuelle System, Kameras und Bilderzeugung, Bildabtastung und -quantisierung, Bildverbesserung im räumlichen und Frequenzbereich, Filterdesign, Bildwiederherstellung, Bildkodierung und -komprimierung, morphologische Bildverarbeitung, Farbbildverarbeitung, Bildsegmentierung und Bild Wiederaufbau. Beispiele und Aufgaben aus der Praxis aus den Bereichen digitale Bildgebung für Verbraucher, Sicherheit und Überwachung sowie medizinische Bildverarbeitung. Dieser Kurs bildet eine gute Grundlage für unsere umfangreichen Bildverarbeitungs- und Computer Vision-Kurse für Hochschulabsolventen.
Grundlagen der digitalen Bild- und Videoverarbeitung (Northwestern University), Prof. Aggelos K. Katsaggelos
[Kurs]
In diesem Kurs werden die Grundlagen der Bild- und Videoverarbeitung behandelt. Wir werden einen mathematischen Rahmen bereitstellen, um Bilder und Videos als zwei- und dreidimensionale Signale im räumlichen, räumlich-zeitlichen und Frequenzbereich zu beschreiben und zu analysieren. In diesem Kurs lernen Sie nicht nur die Theorie hinter grundlegenden Verarbeitungsaufgaben, einschließlich Bild-/Videoverbesserung, -wiederherstellung und -komprimierung, sondern lernen auch, wie Sie diese wichtigen Verarbeitungsaufgaben mithilfe modernster Techniken und Werkzeuge in der Praxis ausführen . Wir werden eine Vielzahl solcher Tools vorstellen und nutzen – von Optimierungstoolboxen bis hin zu statistischen Techniken. Ein Schwerpunkt wird auch auf die besondere Rolle der Sparsity in der modernen Bild- und Videoverarbeitung gelegt. In allen Fällen werden Beispielbilder und -videos verwendet, die sich auf bestimmte Anwendungsbereiche beziehen.
Bild- und mehrdimensionale Signalverarbeitung EENG 510 (Colorado School of Mines), William Hoff
[Kurs] [YouTube]
Dieser Kurs vermittelt den Studierenden den theoretischen Hintergrund, der es ihnen ermöglicht, modernste Bild- und mehrdimensionale Signalverarbeitungstechniken anzuwenden. Der Kurs vermittelt den Studierenden die Lösung praktischer Probleme bei der Verarbeitung mehrdimensionaler Daten wie Bilder, Videosequenzen und volumetrische Daten. Die Arten von Problemen, die die Studierenden lösen sollen, sind die automatisierte Messung aus mehrdimensionalen Daten sowie die Wiederherstellung, Rekonstruktion oder Komprimierung mehrdimensionaler Daten. Zu den zur Lösung dieser Probleme verwendeten Werkzeugen gehören verschiedene Methoden zur Merkmalsextraktion, Filtertechniken, Segmentierungstechniken und Transformationsmethoden.
Digitale Bildverarbeitung (IIT Kanpur), Prof. PK Biswas
[Kurs] [YouTube]
Bildverarbeitung und -analyse ECS 173 (UC Davis), Prof. Owen Carmichael
[Kurs] [YouTube]
Techniken zur automatisierten Extraktion hochwertiger Informationen aus Bildern, die von Kameras, dreidimensionalen Oberflächensensoren und medizinischen Geräten erzeugt werden. Zu den typischen Anwendungen gehören die Erkennung von Objekten in verschiedenen Bildtypen und die Beschreibung von Populationen biologischer Proben, die in medizinischen Bildern vorkommen.
Digitale Bildverarbeitung EE225B (UC Berkeley), Prof. Avideh Zakhor
[Kurs]
Dieser Kurs behandelt die folgenden Themen: 2D-Sequenzen und -Systeme, trennbare Systeme, Projektions-Slice-THM, Rekonstruktion aus Projektionen und partiellen Fourier-Informationen, Z-Transformation, verschiedene Gleichungen, rekursive Berechenbarkeit, 2D-DFT und FFT, 2D-FIR-Filterdesign; menschliches Auge, Wahrnehmung, psychophysische Seheigenschaften, Photometrie und Farbmetrik, Optik und Bildsysteme; Bildverbesserung, Bildwiederherstellung, geometrische Bildmodifikation, morphologische Bildverarbeitung, Halbtonung, Kantenerkennung, Bildkomprimierung: Skalare Quantisierung, verlustfreie Codierung, Huffman-Codierung, arithmetische Codierungswörterbuchtechniken, Wellenform- und Transformationscodierung DCT, KLT, Hadamard, Multiresolution-Codierungspyramide, Subband-Kodierung, fraktale Kodierung, Vektorquantisierung, Bewegungsschätzung und -kompensation, Standards: JPEG, MPEG, H.xxx, Vor- und Nachbearbeitung, skalierbare Bild- und Videokodierung, Bild- und Videokommunikation über verrauschte Kanäle.
Digitale Bildverarbeitung I EE637 (Purdue University), Prof. Charles A. Bouman
[Kurs] [YouTube]
Einführung in digitale Bildverarbeitungstechniken zur Verbesserung, Komprimierung, Wiederherstellung, Rekonstruktion und Analyse. Vorlesung und Laborexperimente zu einem breiten Themenspektrum, darunter 2D-Signale und -Systeme, Bildanalyse, Bildsegmentierung; achromatisches Sehen, Farbbildverarbeitung, Farbbildsysteme, Bildschärfung, Interpolation, Dezimierung, lineare und nichtlineare Filterung, Drucken und Anzeigen von Bildern; Bildkomprimierung, Bildwiederherstellung und Tomographie.
Quantitative Big Imaging: From Images to Statistics (ETH Zürich), KS Mader, M. Stampanoni
[Kurs] [YouTube] [GitHub]
Die Vorlesung konzentriert sich auf die anspruchsvolle Aufgabe, robuste, quantitative Metriken aus Bilddaten zu extrahieren und soll die Lücke zwischen reiner Signalverarbeitung und der experimentellen Wissenschaft der Bildgebung schließen. Der Schwerpunkt des Kurses liegt auf Techniken, Skalierbarkeit und wissenschaftsbasierter Analyse.
Erste Prinzipien der Computer Vision, Shree Nayar
[Website] [YouTube]
First Principles of Computer Vision ist eine Vorlesungsreihe von Shree Nayar, Dozentin am Fachbereich Informatik der School of Engineering and Applied Sciences der Columbia University. Computer Vision ist das Unternehmen, Maschinen zu bauen, die „sehen“. Diese Reihe konzentriert sich auf die physikalischen und mathematischen Grundlagen des Sehens und richtet sich an Studenten, Praktiker und Enthusiasten, die keine Vorkenntnisse im Bereich Computer Vision haben.
Computer Vision CAP5415 (UCF), Dr. Mubarak Shah
[Kurs 2012] [Kurs 2014] [YouTube 2012] [YouTube 2014]
Der Kurs ist ein Einführungskurs. Es behandelt die grundlegenden Themen der Computer Vision und stellt einige grundlegende Ansätze für die Computer Vision-Forschung vor.
Einführung in Computer Vision CS-6476 (Georgia Tech)
[Kurs] [Udacity]
Computer Vision EENG 512 (Colorado School of Mines), William Hoff
[YouTube]
Dieser Kurs bietet einen Überblick über dieses Gebiet, beginnend mit der Bilderzeugung und der Bildverarbeitung auf niedriger Ebene. Anschließend gehen wir detailliert auf die Theorie und Techniken zum Extrahieren von Merkmalen aus Bildern, zum Messen von Form und Ort und zum Erkennen von Objekten ein.
3D Computer Vision CS4277/CS5477 (National University of Singapore), Gim Hee Lee
[YouTube]
Dies ist ein Einführungskurs in 3D Computer Vision, der aufgrund von COVID-19 für das Online-Lernen an der NUS aufgezeichnet wurde. Zu den behandelten Themen gehören: Vorlesung 1: 2D- und 1D-projektive Geometrie. Vorlesung 2: Starrkörperbewegung und projektive 3D-Geometrie. Vorlesung 3: Kreispunkte und absoluter Kegelschnitt. Vorlesung 4: Robuste Homographieschätzung. Vorlesung 5: Kameramodelle und Kalibrierung. Vorlesung 6: Einzelansichtsmesstechnik. Vorlesung 7: Die grundlegenden und wesentlichen Matrizen. Vorlesung 8: Absolute Posenschätzung aus Punkten oder Linien. Vorlesung 9: Drei-Ansichts-Geometrie aus Punkten und/oder Linien. Vorlesung 10: Structure-from-Motion (SfM) und Bündelanpassung. Vorlesung 11: Two-View- und Multi-View-Stereo. Vorlesung 12: Generalisierte Kameras. Vorlesung 13: Autokalibrierung.
Multiple View Geometry in Computer Vision (IT Sligo), Sean Mullery
[YouTube]
Computer Vision (IIT Kanpur), Prof. Jayanta Mukhopadhyay
[Kurs]
Der Kurs bietet eine umfassende Abdeckung der Theorie und Berechnung im Zusammenhang mit der Bildgeometrie und dem Szenenverständnis. Darüber hinaus werden Clustering-, Klassifizierungs- und Deep-Learning-Techniken vorgestellt, die in diesem Bereich angewendet werden.
Computer Vision CS-442 (EPFL), Pascal Fua
[Kurs]
Die Studierenden werden in die grundlegenden Techniken des Bereichs Computer Vision eingeführt. Sie lernen, gegebenenfalls Bildverarbeitungstechniken anzuwenden. Wir konzentrieren uns auf die Schwarzweiß- und Farbbilder, die mit Standard-Videokameras aufgenommen wurden. Wir werden grundlegende Verarbeitungstechniken wie Kantenerkennung, Segmentierung, Texturcharakterisierung und Formerkennung vorstellen.
Computer Vision CS 543 (Universität Illinois), Derek Hoiem
[Kurs] [Aufnahmen]
In diesem Kurs werden wir viele der grundlegenden Konzepte und Algorithmen der Computer Vision behandeln: Single-View- und Multi-View-Geometrie, Beleuchtung, lineare Filter, Textur, Interessenpunkte, Tracking, RANSAC, K-Means-Clustering, Segmentierung, EM-Algorithmus , Anerkennung usw. In Hausaufgaben werden Sie viele dieser Konzepte in die Praxis umsetzen. Da es sich um einen Übersichtskurs handelt, werden wir uns nicht zu sehr auf ein Thema einlassen. Am Ende des Kurses sollten Sie jedoch auf weitere Untersuchungen und Anwendungen im Zusammenhang mit der Sehkraft vorbereitet sein.
Computer Vision für visuelle Effekte ECSE-6969, Richard Radke
[Kurs] [YouTube]
Dieser Kurs konzentriert sich auf Forschungsthemen, die den fortschrittlichen visuellen Effekten zugrunde liegen, die in Werbespots, Musikvideos und Filmen immer häufiger vorkommen. Zu den Themen gehören klassische Computer-Vision-Algorithmen, die regelmäßig in Hollywood verwendet werden (z. B. Bluescreen-Mattierung, Struktur aus Bewegung, optischer Fluss und Feature-Tracking) sowie spannende aktuelle Entwicklungen, die die Grundlage für zukünftige Effekte bilden (z. B. natürliche Bildmattierung, Multi-Image-Compositing, Image-Retargeting und Ansichtssynthese). Wir diskutieren auch die Technologien hinter Motion Capture und dreidimensionaler Datenerfassung. Analysen von Videos hinter den Kulissen und ausführliche Interviews mit Hollywood-Künstlern für visuelle Effekte verknüpfen die mathematischen Konzepte mit dem realen Filmemachen.
Bildverarbeitung und Computer Vision (CBCSL), Aleix M. Martinez
[YouTube]
Die alten Geheimnisse der Computer Vision (University of Washington), Joseph Redmon
[Kurs] [YouTube]
Dieser Kurs ist eine allgemeine Einführung in Computer Vision. Es umfasst Standardtechniken der Bildverarbeitung wie Filterung, Kantenerkennung, Stereo, Fluss usw. (Old-School-Vision) sowie neuere, auf maschinellem Lernen basierende Computervision.
Advanced Computer Vision CAP6412 (UCF), Dr. Mubarak Shah
[Kurs 2019] [YouTube]
Hierbei handelt es sich um eine fortgeschrittene Computer Vision, die Doktoranden mit der neuesten Forschung bekannt macht. In jeder Klasse werden wir eine aktuelle Forschungsarbeit diskutieren, die sich auf aktive Bereiche der aktuellen Forschung bezieht, insbesondere auf den Einsatz von Deep Learning. Computer Vision ist seit vielen Jahrzehnten ein sehr aktives Forschungsgebiet und Forscher arbeiten an der Lösung wichtiger herausfordernder Probleme. In den letzten Jahren war Deep Learning mit künstlichen neuronalen Netzen eine bahnbrechende Kraft in der Computer Vision. Durch den Einsatz von Deep Learning wurden in sehr kurzer Zeit enorme Fortschritte bei der Lösung schwieriger Probleme erzielt und sehr beeindruckende Ergebnisse bei der Bild- und Videoklassifizierung, Lokalisierung, semantischen Segmentierung usw. erzielt. Fast überall entstehen neue Techniken, Datensätze, Hardware- und Softwarebibliotheken Tag. Deep Computer Vision beeinflusst die Forschung in den Bereichen Robotik, Verständnis natürlicher Sprache, Computergrafik, multimodale Analyse usw.
Computer Vision I: Variationsmethoden (TU München), Prof. Daniel Cremers
[Kurs] [YouTube]
Variationsmethoden gehören zu den klassischsten Techniken zur Optimierung von Kostenfunktionen in höheren Dimensionen. Viele Herausforderungen in der Computer Vision und in anderen Forschungsbereichen können als Variationsmethoden formuliert werden. Beispiele hierfür sind Rauschunterdrückung, Unschärfe, Bildsegmentierung, Tracking, Schätzung des optischen Flusses, Tiefenschätzung aus Stereobildern oder 3D-Rekonstruktion aus mehreren Ansichten.
In diesem Kurs werde ich die Grundkonzepte von Variationsmethoden, der Euler-Lagrange-Kalkül und partiellen Differentialgleichungen vorstellen. Ich werde diskutieren, wie entsprechende Herausforderungen im Bereich Computer Vision und Bildanalyse als Variationsprobleme dargestellt werden können und wie sie effizient gelöst werden können. Gegen Ende des Kurses werde ich konvexe Formulierungen und konvexe Relaxationen diskutieren, die es ermöglichen, optimale oder nahezu optimale Lösungen im Variationssetting zu berechnen.
Computer Vision II: Multiple View Geometry (TU München), Prof. Daniel Cremers
[Kurs] [YouTube]
Die Vorlesung führt in die Grundkonzepte der Bildentstehung ein – perspektivische Projektion und Kamerabewegung. Ziel ist es, aus mehreren Bildern die dreidimensionale Welt und die Kamerabewegung zu rekonstruieren. Zu diesem Zweck bestimmt man Korrespondenzen zwischen Punkten in verschiedenen Bildern und entsprechende Einschränkungen, die es ermöglichen, Bewegung und 3D-Struktur zu berechnen. Ein besonderer Schwerpunkt der Vorlesung liegt auf der mathematischen Beschreibung der Bewegung starrer Körper und der perspektivischen Projektion. Zur Schätzung der Kamerabewegung und der 3D-Geometrie werden wir sowohl spektrale Methoden als auch Methoden der nichtlinearen Optimierung nutzen.
Advanced Computer Vision (CBCSL), Aleix M. Martinez
[YouTube]
Graduierten-Sommerschule zum Thema Computer Vision (IPAM an der UCLA)
[Kurs]
Photogrammetrie I & II (Universität Bonn), Cyrill Stachniss
[Kurs] [YouTube]
Mobile Sensing And Robotics I (Universität Bonn), Cyrill Stachniss
[Kurs]
Mobile Sensing And Robotics II (Universität Bonn), Cyrill Stachniss
[Kurs] [YouTube]
Robot Mapping (Universität Bonn), Cyrill Stachniss
[Kurs] [YouTube]
In der Vorlesung werden verschiedene Themen und Techniken im Kontext der Umgebungsmodellierung mit mobilen Robotern behandelt. Wir werden Techniken wie SLAM mit der Familie der Kalman-Filter, Informationsfilter und Partikelfilter behandeln. Darüber hinaus werden wir graphbasierte Ansätze, die Minimierung von Fehlerquadraten, Techniken zur Ortserkennung und erscheinungsbasierten Kartierung sowie Datenassoziation untersuchen.
Biometrie (IIT Kanpur), Prof. Phalguni Gupta
[Kurs] [YouTube]
Einführung in biometrische Merkmale und ihr Ziel, Grundlagen der Bildverarbeitung, grundlegende Bildoperationen, Filterung, Verbesserung, Schärfung, Kantenerkennung, Glättung, Verbesserung, Schwellenwertbildung, Lokalisierung. Fourier-Reihe, DFT, Umkehrung der DFT. Biometrisches System, Identifizierung und Verifizierung. FAR/FRR, Probleme beim Systemdesign. Positiv-/Negatividentifikation. Biometrische Systemsicherheit, Authentifizierungsprotokolle, Matching-Score-Verteilung, ROC-Kurve, DET-Kurve, FAR/FRR-Kurve. Erwarteter Gesamtfehler, EER, biometrische Mythen und Falschdarstellungen. Auswahl geeigneter biometrischer Daten. Biometrische Attribute, Zephyr-Diagramme, Arten von Multibiometrie. Verifizierung auf Multimodellsystemen, Normalisierungsstrategie, Fusionsmethoden, Multimodellidentifikation. Sicherheit biometrischer Systeme, Schwachstellen biometrischer Systeme, Umgehung, verdeckte Erfassung, Qualitätskontrolle, Vorlagengenerierung, Interoperabilität, Datenspeicherung. Erkennungssysteme: Gesicht, Unterschrift, Fingerabdruck, Ohr, Iris usw.
CS231n Convolutional Neural Networks for Visual Recognition (Stanford)
[Kurs] [YouTube]
Dieser Kurs befasst sich eingehend mit den Details der Deep-Learning-Architekturen und konzentriert sich auf das Erlernen von End-to-End-Modellen für diese Aufgaben, insbesondere der Bildklassifizierung. Während des 10-wöchigen Kurses lernen die Studierenden, ihre eigenen neuronalen Netze zu implementieren, zu trainieren und zu debuggen und erhalten ein detailliertes Verständnis der neuesten Forschung im Bereich Computer Vision. Die letzte Aufgabe besteht darin, ein faltendes neuronales Netzwerk mit mehreren Millionen Parametern zu trainieren und es auf den größten Bildklassifizierungsdatensatz (ImageNet) anzuwenden. Wir werden uns auf die Vermittlung des Problems der Bilderkennung, die Lernalgorithmen (z. B. Backpropagation), praktische technische Tricks für das Training und die Feinabstimmung der Netzwerke konzentrieren und die Studenten durch praktische Aufgaben und ein Abschlussprojekt begleiten. Ein Großteil des Hintergrunds und der Materialien dieses Kurses stammt aus der ImageNet Challenge.
Deep Learning für Computer Vision (University of Michigan), Justin Johnson
[Kurs]
Dieser Kurs befasst sich eingehend mit den Details neuronaler Netzwerk-basierter Deep-Learning-Methoden für Computer Vision. In diesem Kurs lernen die Studierenden, ihre eigenen neuronalen Netze zu implementieren, zu trainieren und zu debuggen und erhalten ein detailliertes Verständnis der neuesten Forschung im Bereich Computer Vision. Wir werden Lernalgorithmen, neuronale Netzwerkarchitekturen und praktische technische Tricks zum Trainieren und Feinabstimmen von Netzwerken für visuelle Erkennungsaufgaben behandeln.
Faltungs-Neuronale Netze, Prof. Andrew Ng
[Kurs]
In diesem Kurs erfahren Sie, wie Sie Faltungs-Neuronale Netze aufbauen und auf Bilddaten anwenden. Dank Deep Learning funktioniert Computer Vision weitaus besser als noch vor zwei Jahren und ermöglicht zahlreiche spannende Anwendungen, die vom sicheren autonomen Fahren über genaue Gesichtserkennung bis hin zum automatischen Auslesen radiologischer Bilder reichen.
Faltungsnetzwerke, Ian Goodfellow
[YouTube]
Sensorische Systeme 9.04 (MIT), Prof. Peter H. Schiller, Prof. M. Christian Brown
[Kurs] [YouTube]
In diesem Kurs werden die neuronalen Grundlagen der Sinneswahrnehmung untersucht. Der Schwerpunkt liegt auf physiologischen und anatomischen Untersuchungen des Nervensystems von Säugetieren sowie Verhaltensstudien an Tieren und Menschen. Zu den Themen gehören visuelle Muster, Farb- und Tiefenwahrnehmung, auditive Reaktionen und Klanglokalisierung sowie somatosensorische Wahrnehmung.
Visuelle Wahrnehmung und das Gehirn (Duke University), Dale Purves
[Kurs]
Die Lernenden werden mit den Problemen des Sehens vertraut gemacht und nutzen dabei die Wahrnehmung als Leitfaden. Der Kurs befasst sich mit der Frage, wie das, was wir sehen, vom visuellen System erzeugt wird, was das zentrale Problem des Sehens ist und was die visuelle Wahrnehmung über die Funktionsweise des Gehirns aussagt. Die Beweise werden aus den Neurowissenschaften, der Psychologie, der Geschichte der Sehwissenschaft und dem Beitrag der Philosophie stammen. Obwohl die Diskussionen auf der Anatomie und Physiologie des visuellen Systems basieren, liegt der Schwerpunkt auf der Wahrnehmung. Wir sehen die physische Welt auf seltsame Weise und unser Ziel ist es zu verstehen, warum.
High-Level-Vision (CBCSL)
[YouTube]
Maschinelles Lernen CS229 (Stanford), Prof. Andrew Ng
[Kurs] [YouTube]
Dieser Kurs bietet eine umfassende Einführung in maschinelles Lernen und statistische Mustererkennung. Zu den Themen gehören: überwachtes Lernen (generatives/diskriminatives Lernen, parametrisches/nichtparametrisches Lernen, neuronale Netze, Support-Vektor-Maschinen); unüberwachtes Lernen (Clustering, Dimensionsreduktion, Kernel-Methoden); Lerntheorie (Bias/Varianz-Kompromisse; VC-Theorie; große Spielräume); Verstärkungslernen und adaptive Steuerung. Im Kurs werden auch aktuelle Anwendungen des maschinellen Lernens erörtert, beispielsweise zur Robotersteuerung, zum Data Mining, zur autonomen Navigation, zur Bioinformatik, zur Spracherkennung sowie zur Text- und Webdatenverarbeitung.
Maschinelles Lernen CS156 (Caltech), Prof. Yaser Abu-Mostafa
[Kurs] [YouTube]
Dies ist ein Einführungskurs von Caltech-Professor Yaser Abu-Mostafa zum maschinellen Lernen, der die grundlegende Theorie, Algorithmen und Anwendungen abdeckt. Maschinelles Lernen (ML) ermöglicht es Computersystemen, ihre Leistung mithilfe der aus den beobachteten Daten gesammelten Erfahrungen adaptiv zu verbessern. ML-Techniken werden in den Bereichen Technik, Wissenschaft, Finanzen und Wirtschaft häufig eingesetzt, um Systeme zu erstellen, für die wir keine vollständige mathematische Spezifikation haben (und die viele Systeme abdeckt). Der Kurs bringt Theorie und Praxis in Einklang und deckt sowohl die mathematischen als auch die heuristischen Aspekte ab.
Maschinelles Lernen für Computer Vision (Universität Heidelberg), Prof. Fred Hamprecht
[Kurs] [YouTube]
In diesem Kurs werden fortgeschrittene Methoden des maschinellen Lernens behandelt, die eine sogenannte „strukturierte Vorhersage“ ermöglichen. Das Ziel besteht darin, mehrere Vorhersagen zu treffen, die auf nichttriviale Weise interagieren. Und wir berücksichtigen diese Wechselwirkungen sowohl im Training als auch im Test.
Maschinelles Lernen für Robotik und Computer Vision (TU München), Dr. Rudolph Triebel
[Kurs] [YouTube]
In dieser Vorlesung werden die Studierenden in die am häufigsten verwendeten Methoden des maschinellen Lernens in Computer Vision- und Robotikanwendungen eingeführt. Das Hauptziel der Vorlesung besteht darin, einen breiten Überblick über bestehende Methoden zu erhalten und deren Beweggründe und Hauptideen im Kontext von Computer Vision und Mustererkennung zu verstehen.
Maschinelles Lernen für intelligente Systeme CS4780 (Cornell), Prof. Killian Weiberger
[Kurs] [YouTube]
Ziel dieses Kurses ist es, eine Einführung in den Bereich des maschinellen Lernens zu geben. Der Kurs vermittelt Ihnen grundlegende Fähigkeiten, um zu entscheiden, welcher Lernalgorithmus für welches Problem verwendet werden soll, Ihren eigenen Lernalgorithmus zu programmieren und ihn zu bewerten und zu debuggen.
Einführung in maschinelles Lernen und Mustererkennung (CBCSL), Aleix M. Martinez
[YouTube]
Angewandtes maschinelles Lernen COMS W4995 (Columbia), Andreas C. Müller
[Kurs] [YouTube]
Dieser Kurs bietet einen praktischen Ansatz für maschinelles Lernen und Datenwissenschaft. Der Kurs diskutiert die Anwendung maschineller Lernmethoden wie SVMs, Random Forests, Gradient Boosting und neuronale Netze auf reale Datensätze, einschließlich Datenvorbereitung, Modellauswahl und -bewertung. Diese Klasse ergänzt COMS W4721 insofern, als sie für alle Implementierungen vollständig auf verfügbaren Open-Source-Implementierungen in Scikit-Learn und Tensor Flow basiert. Neben der Anwendung von Modellen werden wir auch Softwareentwicklungstools und -praktiken besprechen, die für die Produktion von Modellen für maschinelles Lernen relevant sind.
Probabilistisches und statistisches maschinelles Lernen (Universität Tübingen), Prof. Philipp Hennig, Prof. U. von Luxburg
[Kurs] [YouTube]
Der Schwerpunkt der Vorlesung liegt sowohl auf algorithmischen als auch theoretischen Aspekten des maschinellen Lernens. Wir werden viele der Standardalgorithmen behandeln und etwas über die allgemeinen Prinzipien und theoretischen Ergebnisse zum Erstellen guter Algorithmen für maschinelles Lernen lernen. Die Themen reichen von etablierten Ergebnissen bis hin zu sehr aktuellen Ergebnissen.
Einführung in maschinelles Lernen für Programmierer (fast.ai), Jeremy Howard
[Kurs] [YouTube]
Unterrichtet von Jeremy Howard (Kaggles #1-Konkurrent seit zwei Jahren und Gründer von Enlitic). Lernen Sie die wichtigsten Modelle für maschinelles Lernen kennen, einschließlich der Art und Weise, wie Sie sie selbst von Grund auf erstellen, sowie Schlüsselkompetenzen in der Datenvorbereitung, Modellvalidierung und Erstellung von Datenprodukten. Der Unterricht dauert etwa 24 Stunden, Sie sollten etwa 8 Stunden einplanen Stunden pro Woche für 12 Wochen, um das Material zu vervollständigen. Der Kurs basiert auf Lektionen, die an der University of San Francisco für den Master of Science in Data Science-Programm aufgezeichnet wurden. Wir gehen davon aus, dass Sie über mindestens ein Jahr Programmiererfahrung verfügen und sich entweder an das erinnern, was Sie in Mathematik an der High School gelernt haben, oder bereit sind, ein unabhängiges Studium zu absolvieren, um Ihr Wissen aufzufrischen.
Einführung in maschinelles Lernen ECE 5984 (Virginia Tech), Prof. Dhruv Batra
[Kurs] [YouTube]
Deep Learning CS230 (Stanford), Prof. Andrew Ng, Kian Katanforoosh
[Kurs] [YouTube]
Deep Learning ist eine der gefragtesten Fähigkeiten in der KI. In diesem Kurs lernen Sie die Grundlagen des Deep Learning kennen, verstehen den Aufbau neuronaler Netze und erfahren, wie Sie erfolgreiche maschinelle Lernprojekte leiten. Sie erfahren mehr über Faltungsnetzwerke, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He-Initialisierung und mehr.
Spezialisierung auf Deep Learning, Prof. Andrew Ng, Kian Katanforoosh
[Kurs]
In fünf Kursen erlernen Sie die Grundlagen des Deep Learning, verstehen den Aufbau neuronaler Netze und erfahren, wie Sie erfolgreiche Machine-Learning-Projekte leiten. Sie erfahren mehr über Faltungsnetzwerke, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He-Initialisierung und mehr. Sie arbeiten an Fallstudien aus den Bereichen Gesundheitswesen, autonomes Fahren, Lesen von Gebärdensprache, Musikerzeugung und Verarbeitung natürlicher Sprache. Sie beherrschen nicht nur die Theorie, sondern sehen auch, wie sie in der Industrie angewendet wird. Sie üben all diese Ideen in Python und TensorFlow, die wir Ihnen beibringen.
Deep Learning EE-559 (EPFL), François Fleuret
[Kurs]
Dieser Kurs ist eine gründliche Einführung in Deep Learning mit Beispielen im PyTorch-Framework: Ziele und Hauptherausforderungen des maschinellen Lernens, Tensoroperationen, automatische Differenzierung, Gradientenabstieg, Deep-Learning-spezifische Techniken (Batchnorm, Dropout, Restnetzwerke), Bildverständnis , generative Modelle, kontradiktorische generative Modelle, wiederkehrende Modelle, Aufmerksamkeitsmodelle, NLP.
Einführung in Deep Learning 6.S191 (MIT), Alexander Amini und Ava Soleimany
[Kurs] [YouTube]
Einführungskurs des MIT zu Deep-Learning-Methoden mit Anwendungen für Computer Vision, Verarbeitung natürlicher Sprache, Biologie und mehr! Die Studierenden erwerben grundlegende Kenntnisse über Deep-Learning-Algorithmen und sammeln praktische Erfahrungen beim Aufbau neuronaler Netze in TensorFlow. Der Kurs endet mit einem Projektvorschlagswettbewerb mit Feedback von Mitarbeitern und einer Gruppe von Branchensponsoren. Voraussetzungen setzen Analysis (also Ableitungen) und lineare Algebra (also Matrixmultiplikation) voraus, alles andere versuchen wir nebenbei zu erklären! Erfahrungen in Python sind hilfreich, aber nicht notwendig.
Praktisches Deep Learning für Programmierer (fast.ai), Jeremy Howard
[Kurs] [YouTube]
Deep Learning für Programmierer mit Fastai und PyTorch: KI-Anwendungen ohne Doktortitel.
Deep Learning for Perception ECE 6504 (Virginia Tech), Prof. Dhruv Batra
[Kurs] [YouTube]
In diesem Kurs werden die Studierenden mit modernster Forschung vertraut gemacht – angefangen bei einer Auffrischung der Grundlagen neuronaler Netze bis hin zu aktuellen Entwicklungen.
Vorlesungen zu Deep Learning und Künstlicher Intelligenz (MIT)
[Kurs] [YouTube]
Einführung in Deep Learning 11-785 (Carnegie Mellon University)
[Kurs] [YouTube]
In diesem Kurs lernen wir die Grundlagen tiefer neuronaler Netze und ihre Anwendungen für verschiedene KI-Aufgaben kennen. Am Ende des Kurses wird erwartet, dass die Studierenden mit dem Thema umfassend vertraut sind und in der Lage sind, Deep Learning auf eine Vielzahl von Aufgaben anzuwenden. Sie werden außerdem in die Lage versetzt, einen Großteil der aktuellen Literatur zu diesem Thema zu verstehen und ihr Wissen durch weitere Studien zu erweitern.
Computergrafik CMU 15-462/662 (Carnegie Mellon University)
[Website] [YouTube]
Vorlesungsvideos für den Einführungskurs Computergrafik an der Carnegie Mellon University.
Computergrafik (Universität Utrecht), Wolfgang Huerst
[YouTube]
Aufzeichnungen einer Einführungsvorlesung über Computergrafik, gehalten von Wolfgang Hürst, Universität Utrecht, Niederlande, von April 2012 bis Juni 2012.
Computergrafik ECS175 (UC Davis), Prof. Kenneth Joy
[YouTube]
Computergrafik (ECS175) vermittelt die Grundprinzipien der dreidimensionalen Computergrafik. Der Schwerpunkt liegt auf den elementaren mathematischen Techniken zur Positionierung von Objekten im dreidimensionalen Raum, der geometrischen Optik, die erforderlich ist, um zu bestimmen, wie Licht von Oberflächen reflektiert wird, und den Möglichkeiten, ein Computersystem und -methoden zu nutzen, um die Algorithmen und Techniken zu implementieren, die zur Erzeugung grundlegender 3-dimensionaler Objekte erforderlich sind. dimensionale Abbildungen. Zu den detaillierten Themen gehören: Transformationsgeometrie, Positionierung virtueller Kameras und Lichtquellen, hierarchische Modellierung komplexer Objekte, Darstellung komplexer Modelle, Schattierungsalgorithmen sowie Methoden zur Darstellung und Schattierung gekrümmter Objekte.
Computergrafik CS184 (UC Berkeley), Ravi Ramamoorthi
[Kurs]
Dieser Kurs ist eine Einführung in die Grundlagen der dreidimensionalen Computergrafik. Zu den behandelten Themen gehören 2D- und 3D-Transformationen, interaktive 3D-Grafikprogrammierung mit OpenGL, Schattierungs- und Beleuchtungsmodelle, geometrische Modellierung mit Bézier- und B-Spline-Kurven, Computergrafik-Rendering einschließlich Raytracing und globaler Beleuchtung, Signalverarbeitung für Anti-Aliasing und Textur-Mapping, und Animation und inverse Kinematik. Der Schwerpunkt liegt sowohl auf den mathematischen und geometrischen Aspekten der Grafik als auch auf der Fähigkeit, vollständige 3D-Grafikprogramme zu schreiben.
Rendering-/Raytracing-Kurs (TU Wien), Károly Zsolnai-Fehér
[Kurs] [YouTube]
Ziel dieses Kurses ist es, einen Überblick über grundlegende und moderne Rendering-Methoden zu geben. Offline-Methoden wie Ray- und Path-Tracing, Photon-Mapping und viele andere Algorithmen werden vorgestellt und verschiedene Verfeinerungen erläutert. Die Grundlagen der beteiligten Physik, wie geometrische Optik, Oberflächen- und Medieninteraktion mit Licht- und Kameramodellen, werden erläutert. Es wird der Apparat der Monte-Carlo-Methoden vorgestellt, der in mehreren Algorithmen häufig verwendet wird, und seine Verfeinerung in Form von geschichteter Stichprobe und der Metropolis-Hastings-Methode wird erläutert.
