Computer Vision Video Lectures
1.0.0
Una lista seleccionada de cursos universitarios gratuitos y de alta calidad con videoconferencias relacionadas con el campo de la visión por computadora.
Señales y Sistemas 6.003 (MIT), Prof. Dennis Freeman
[Curso]
Señales y Sistemas 6.003 cubre los fundamentos del análisis de señales y sistemas, enfocándose en representaciones de señales de tiempo discreto y continuo (funciones de singularidad, exponenciales y geométricas complejas, representaciones de Fourier, transformadas de Laplace y Z, muestreo) y representaciones de tiempo lineal. -sistemas invariantes (ecuaciones en diferencias y diferenciales, diagramas de bloques, funciones de sistemas, polos y ceros, convolución, respuestas de impulso y escalón, respuestas de frecuencia). Las aplicaciones provienen en gran medida de la ingeniería y la física, incluida la retroalimentación y el control, las comunicaciones y el procesamiento de señales.
Procesamiento de señales digitales ECSE-4530 (Instituto Politécnico Rensselaer), Richard Radke
[Curso] [YouTube]
Este curso proporciona un tratamiento integral de la teoría, el diseño y la implementación de algoritmos de procesamiento de señales digitales. En la primera mitad del curso, enfatizamos el análisis en el dominio de la frecuencia y la transformada Z. En la segunda mitad del curso, investigamos temas avanzados en procesamiento de señales, incluido el procesamiento de señales multivelocidad, diseño de filtros, filtrado adaptativo, diseño de cuantificadores y estimación del espectro de potencia. El curso es bastante independiente de la aplicación, para proporcionar una base teórica sólida para estudios futuros en comunicaciones, control o procesamiento de imágenes. Este curso se ofreció originalmente a nivel de posgrado, pero se reformuló en 2009 para ser de nivel superior.
Procesamiento de señales digitales (EPFL), Paolo Prandoni, Martin Vetterli
[Curso]
En esta serie de cuatro cursos, aprenderá los fundamentos del procesamiento de señales digitales desde cero. A partir de la definición básica de una señal de tiempo discreto, avanzaremos a través del análisis de Fourier, el diseño de filtros, el muestreo, la interpolación y la cuantificación para construir un conjunto de herramientas DSP lo suficientemente completo como para analizar en detalle un sistema de comunicación práctico. Se utilizarán de forma rutinaria ejemplos prácticos y demostraciones para cerrar la brecha entre la teoría y la práctica.
Procesamiento de imágenes y videos: De Marte a Hollywood con parada en el Hospital (Universidad de Duke), Prof. Guillermo Sapiro
[Curso] [YouTube]
En este curso, aprenderá la ciencia detrás de cómo se crean, modifican, almacenan y utilizan las imágenes y videos digitales. Examinaremos el vasto mundo de las imágenes digitales, desde cómo las computadoras y las cámaras digitales forman imágenes hasta cómo se utilizan los efectos especiales digitales en las películas de Hollywood y cómo el Mars Rover pudo enviar fotografías a través de millones de millas de espacio.
El curso comienza analizando cómo funciona el sistema visual humano y luego le enseña sobre la ingeniería, las matemáticas y la informática que hacen que las imágenes digitales funcionen. Aprenderá los algoritmos básicos utilizados para ajustar imágenes, explorará los estándares JPEG y MPEG para codificar y comprimir imágenes de video y aprenderá sobre segmentación de imágenes, eliminación de ruido y filtrado. Finalmente, finalizaremos con las técnicas de procesamiento de imágenes utilizadas en medicina.
Introducción al procesamiento de imágenes digitales ECSE-4540 (Instituto Politécnico Rensselaer), Richard Radke
[Curso] [YouTube]
Una introducción al campo del procesamiento de imágenes, que abarca aspectos tanto analíticos como de implementación. Los temas incluyen el sistema visual humano, cámaras y formación de imágenes, muestreo y cuantificación de imágenes, mejora de imágenes en el dominio espacial y de frecuencia, diseño de filtros, restauración de imágenes, codificación y compresión de imágenes, procesamiento de imágenes morfológicas, procesamiento de imágenes en color, segmentación de imágenes e imágenes. reconstrucción. Ejemplos y tareas del mundo real extraídos de imágenes digitales de consumo, seguridad y vigilancia, y procesamiento de imágenes médicas. Este curso constituye una buena base para nuestros extensos cursos de posgrado en procesamiento de imágenes y visión por computadora.
Fundamentos del procesamiento de imágenes y vídeos digitales (Universidad Northwestern), Prof. Aggelos K. Katsaggelos
[Curso]
Este curso cubrirá los fundamentos del procesamiento de imágenes y videos. Proporcionaremos un marco matemático para describir y analizar imágenes y videos como señales bidimensionales y tridimensionales en los dominios espacial, espaciotemporal y de frecuencia. En esta clase no solo aprenderá la teoría detrás de las tareas de procesamiento fundamentales, incluida la mejora, recuperación y compresión de imágenes y videos, sino que también aprenderá cómo realizar estas tareas de procesamiento clave en la práctica utilizando técnicas y herramientas de última generación. . Introduciremos y utilizaremos una amplia variedad de herramientas de este tipo, desde cajas de herramientas de optimización hasta técnicas estadísticas. También se hará hincapié en el papel especial que desempeña la escasez en el procesamiento moderno de imágenes y vídeos. En todos los casos, se utilizarán imágenes y vídeos de ejemplo pertenecientes a dominios de aplicación específicos.
Procesamiento de imágenes y señales multidimensionales EENG 510 (Escuela de Minas de Colorado), William Hoff
[Curso] [YouTube]
Este curso proporciona al estudiante la base teórica que le permitirá aplicar técnicas de procesamiento de imágenes y señales multidimensionales de última generación. El curso enseña a los estudiantes a resolver problemas prácticos que involucran el procesamiento de datos multidimensionales, como imágenes, secuencias de video y datos volumétricos. Los tipos de problemas que se espera que los estudiantes resuelvan son la medición automatizada a partir de datos multidimensionales y la restauración, reconstrucción o compresión de datos multidimensionales. Las herramientas utilizadas para resolver estos problemas incluyen una variedad de métodos de extracción de características, técnicas de filtrado, técnicas de segmentación y métodos de transformación.
Procesamiento de imágenes digitales (IIT Kanpur), Prof. PK Biswas
[Curso] [YouTube]
Procesamiento y análisis de imágenes ECS 173 (UC Davis), Prof. Owen Carmichael
[Curso] [YouTube]
Técnicas para la extracción automatizada de información de alto nivel a partir de imágenes generadas por cámaras, sensores de superficie tridimensionales y dispositivos médicos. Las aplicaciones típicas incluyen la detección de objetos en varios tipos de imágenes y la descripción de poblaciones de especímenes biológicos que aparecen en imágenes médicas.
Procesamiento de imágenes digitales EE225B (UC Berkeley), Prof. Avideh Zakhor
[Curso]
Este curso cubre los siguientes temas: secuencias y sistemas 2-D, sistemas separables, cortes de proyección, reconstrucción a partir de proyecciones e información parcial de Fourier, transformada Z, diferentes ecuaciones, computabilidad recursiva, DFT y FFT 2D, diseño de filtros FIR 2D; ojo humano, percepción, propiedades psicofísicas de la visión, fotometría y colorimetría, óptica y sistemas de imagen; mejora de imágenes, restauración de imágenes, modificación de imágenes geométricas, procesamiento de imágenes morfológicas, medios tonos, detección de bordes, compresión de imágenes: cuantificación escalar, codificación sin pérdidas, codificación Huffman, técnicas de diccionario de codificación aritmética, codificación de formas de onda y transformadas DCT, KLT, Hadammard, pirámide de codificación multiresolución, codificación de subbanda, codificación fractal, cuantificación vectorial, estimación y compensación de movimiento, estándares: JPEG, MPEG, H.xxx, pre y postprocesamiento, codificación escalable de imágenes y videos, comunicación de imágenes y videos a través de canales ruidosos.
Procesamiento de imágenes digitales I EE637 (Universidad Purdue), Prof. Charles A. Bouman
[Curso] [YouTube]
Introducción a las técnicas de procesamiento de imágenes digitales para mejora, compresión, restauración, reconstrucción y análisis. Conferencias y experimentos de laboratorio que cubren una amplia gama de temas que incluyen señales y sistemas 2-D, análisis de imágenes, segmentación de imágenes; visión acromática, procesamiento de imágenes en color, sistemas de imágenes en color, nitidez de imágenes, interpolación, diezmado, filtrado lineal y no lineal, impresión y visualización de imágenes; compresión de imágenes, restauración de imágenes y tomografía.
Big Imaging cuantitativo: de las imágenes a las estadísticas (ETH Zurich), KS Mader, M. Stampanoni
[Curso] [YouTube] [GitHub]
La conferencia se centra en la desafiante tarea de extraer métricas cuantitativas sólidas a partir de datos de imágenes y tiene como objetivo cerrar la brecha entre el procesamiento de señales puro y la ciencia experimental de las imágenes. El curso se centrará en técnicas, escalabilidad y análisis basado en la ciencia.
Primeros principios de la visión por computadora, Shree Nayar
[Sitio web] [YouTube]
Primeros principios de la visión por computadora es una serie de conferencias presentadas por Shree Nayar, profesor del Departamento de Ciencias de la Computación de la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia. Computer Vision es la empresa de construir máquinas que "ven". Esta serie se centra en los fundamentos físicos y matemáticos de la visión y ha sido diseñada para estudiantes, profesionales y entusiastas que no tienen conocimientos previos de visión por computadora.
Visión por computadora CAP5415 (UCF), Dr. Mubarak Shah
[Curso 2012] [Curso 2014] [YouTube 2012] [YouTube 2014]
El curso es de nivel introductorio. Cubrirá los temas básicos de la visión por computadora e introducirá algunos enfoques fundamentales para la investigación de la visión por computadora.
Introducción a la visión por computadora CS-6476 (Georgia Tech)
[Curso] [Udacidad]
Visión por computadora EENG 512 (Escuela de Minas de Colorado), William Hoff
[YouTube]
Este curso proporciona una descripción general de este campo, comenzando con la formación de imágenes y el procesamiento de imágenes de bajo nivel. Luego entramos en detalles sobre la teoría y las técnicas para extraer características de imágenes, medir la forma y la ubicación y reconocer objetos.
Visión por computadora 3D CS4277/CS5477 (Universidad Nacional de Singapur), Gim Hee Lee
[YouTube]
Este es un curso introductorio sobre visión por computadora 3D que se grabó para el aprendizaje en línea en NUS debido a COVID-19. Los temas cubiertos incluyen: Clase 1: Geometría proyectiva 2D y 1D. Tema 2: Movimiento de cuerpo rígido y geometría proyectiva 3D. Tema 3: Puntos circulares y cónica absoluta. Tema 4: Estimación robusta de homografía. Tema 5: Modelos de cámaras y calibración. Tema 6: Metrología de vista única. Tema 7: Las matrices fundamentales y esenciales. Tema 8: Estimación de pose absoluta a partir de puntos o líneas. Tema 9: Geometría de tres vistas a partir de puntos y/o rectas. Conferencia 10: Estructura a partir del movimiento (SfM) y ajuste de paquetes. Conferencia 11: Estéreo de dos vistas y múltiples vistas. Tema 12: Cámaras generalizadas. Conferencia 13: Autocalibración.
Geometría de vista múltiple en visión por computadora (IT Sligo), Sean Mullery
[YouTube]
Visión por computadora (IIT Kanpur), Prof. Jayanta Mukhopadhyay
[Curso]
El curso tendrá una cobertura integral de teoría y cálculo relacionados con la geometría de imágenes y la comprensión de escenas. También brindará exposición a técnicas de clustering, clasificación y aprendizaje profundo aplicadas en esta área.
Visión por computadora CS-442 (EPFL), Pascal Fua
[Curso]
Se introducirá a los estudiantes en las técnicas básicas del campo de la Visión por Computador. Aprenderán a aplicar técnicas de Procesamiento de Imágenes cuando corresponda. Nos concentraremos en las imágenes en blanco y negro y en color adquiridas utilizando cámaras de vídeo estándar. Introduciremos técnicas básicas de procesamiento, como detección de bordes, segmentación, caracterización de texturas y reconocimiento de formas.
Visión por computadora CS 543 (Universidad de Illinois), Derek Hoiem
[Curso] [Grabaciones]
En este curso, cubriremos muchos de los conceptos y algoritmos básicos de la visión por computadora: geometría de vista única y vista múltiple, iluminación, filtros lineales, textura, puntos de interés, seguimiento, RANSAC, agrupación de K-medias, segmentación, algoritmo EM. , reconocimiento, etc. En los deberes pondrás en práctica muchos de estos conceptos. Como se trata de un curso de encuesta, no profundizaremos en ningún tema, pero al final del curso, usted debe estar preparado para cualquier investigación y aplicación adicional relacionada con la visión.
Visión por computadora para efectos visuales ECSE-6969, Richard Radke
[Curso] [YouTube]
Este curso enfatiza los temas de investigación que subyacen a los efectos visuales avanzados que se están volviendo cada vez más comunes en comerciales, videos musicales y películas. Los temas incluyen algoritmos clásicos de visión por computadora utilizados regularmente en Hollywood (como el mate de pantalla azul, estructura a partir del movimiento, flujo óptico y seguimiento de características) y desarrollos recientes e interesantes que forman la base para efectos futuros (como el matizado de imágenes naturales, composición de múltiples imágenes, reorientación de imágenes y síntesis de vistas). También analizamos las tecnologías detrás de la captura de movimiento y la adquisición de datos tridimensionales. El análisis de videos detrás de escena y entrevistas en profundidad con artistas de efectos visuales de Hollywood vinculan los conceptos matemáticos con la realización cinematográfica del mundo real.
Procesamiento de imágenes y Visión por Computador (CBCSL), Aleix M. Martinez
[YouTube]
Los antiguos secretos de la visión por computadora (Universidad de Washington), Joseph Redmon
[Curso] [YouTube]
Esta clase es una introducción general a la visión por computadora. Cubre técnicas estándar en el procesamiento de imágenes como filtrado, detección de bordes, estéreo, flujo, etc. (visión de la vieja escuela), así como visión por computadora más nueva basada en aprendizaje automático.
Visión por computadora avanzada CAP6412 (UCF), Dr. Mubarak Shah
[Curso 2019] [YouTube]
Esta es una Visión por Computadora Avanzada que expondrá a los estudiantes graduados a la investigación de vanguardia. En cada clase discutiremos un trabajo de investigación reciente relacionado con áreas activas de investigación actual, en particular el empleo del aprendizaje profundo. La visión por computadora ha sido un área de investigación muy activa durante muchas décadas y los investigadores han estado trabajando para resolver importantes problemas desafiantes. Durante los últimos años, el aprendizaje profundo que involucra redes neuronales artificiales ha sido una fuerza disruptiva en la visión por computadora. Empleando el aprendizaje profundo, se han logrado enormes avances en muy poco tiempo en la resolución de problemas difíciles y se han obtenido resultados muy impresionantes en clasificación, localización, segmentación semántica, etc. de imágenes y videos. Casi cada año están surgiendo nuevas técnicas, conjuntos de datos, bibliotecas de hardware y software. día. La visión profunda por computadora está impactando la investigación en robótica, comprensión del lenguaje natural, gráficos por computadora, análisis multimodal, etc.
Visión por computadora I: métodos variacionales (TU München), Prof. Daniel Cremers
[Curso] [YouTube]
Los métodos variacionales se encuentran entre las técnicas más clásicas para la optimización de funciones de costos en dimensiones superiores. Muchos desafíos en Visión por Computadora y en otros campos de la investigación pueden formularse como métodos variacionales. Los ejemplos incluyen eliminación de ruido, eliminación de desenfoque, segmentación de imágenes, seguimiento, estimación de flujo óptico, estimación de profundidad a partir de imágenes estéreo o reconstrucción 3D a partir de múltiples vistas.
En esta clase, introduciré los conceptos básicos de los métodos variacionales, el cálculo de Euler-Lagrange y las ecuaciones diferenciales parciales. Discutiré cómo los respectivos desafíos de visión por computadora y análisis de imágenes pueden plantearse como problemas variacionales y cómo pueden resolverse de manera eficiente. Hacia el final de la clase, discutiré formulaciones convexas y relajaciones convexas que permiten calcular soluciones óptimas o casi óptimas en el entorno variacional.
Visión por computadora II: Geometría de vista múltiple (TU München), Prof. Daniel Cremers
[Curso] [YouTube]
La conferencia presenta los conceptos básicos de la formación de imágenes: proyección en perspectiva y movimiento de la cámara. El objetivo es reconstruir el mundo tridimensional y el movimiento de la cámara a partir de múltiples imágenes. Para este fin, se determinan las correspondencias entre puntos en varias imágenes y las respectivas restricciones que permiten calcular el movimiento y la estructura 3D. La conferencia hace especial hincapié en las descripciones matemáticas del movimiento de cuerpos rígidos y de la proyección en perspectiva. Para estimar el movimiento de la cámara y la geometría 3D utilizaremos métodos espectrales y métodos de optimización no lineal.
Visión por Computador Avanzada (CBCSL), Aleix M. Martinez
[YouTube]
Escuela de verano para graduados en visión por computadora (IPAM en UCLA)
[Curso]
Fotogrametría I y II (Universidad de Bonn), Cyrill Stachniss
[Curso] [YouTube]
Detección móvil y robótica I (Universidad de Bonn), Cyrill Stachniss
[Curso]
Mobile Sensing And Robotics II (Universidad de Bonn), Cyrill Stachniss
[Curso] [YouTube]
Mapeo de robots (Universidad de Bonn), Cyrill Stachniss
[Curso] [YouTube]
La conferencia cubrirá diferentes temas y técnicas en el contexto del modelado de entornos con robots móviles. Cubriremos técnicas como SLAM con la familia de filtros Kalman, filtros de información, filtros de partículas. Además, investigaremos enfoques basados en gráficos, minimización de errores de mínimos cuadrados, técnicas para el reconocimiento de lugares y mapeo basado en apariencias, y asociación de datos.
Biometría (IIT Kanpur), Prof. Phalguni Gupta
[Curso] [YouTube]
Introducción de rasgos biométricos y su objetivo, conceptos básicos de procesamiento de imágenes, operaciones básicas de imágenes, filtrado, mejora, nitidez, detección de bordes, suavizado, mejora, umbralización, localización. Serie de Fourier, DFT, inversa de DFT. Sistema biométrico, identificación y verificación. FAR/FRR, problemas de diseño del sistema. Identificación positiva/negativa. Seguridad del sistema biométrico, protocolos de autenticación, distribución de puntuación coincidente, curva ROC, curva DET, curva FAR/FRR. Error general esperado, EER, mitos biométricos y tergiversaciones. Selección de biométricos adecuados. Atributos biométricos, cartas Zephyr, tipos de multibiometría. Verificación en sistema multimodelo, estrategia de normalización, métodos de fusión, identificación multimodelo. Seguridad del sistema biométrico, vulnerabilidades del sistema biométrico, elusión, adquisición encubierta, control de calidad, generación de plantillas, interoperabilidad, almacenamiento de datos. Sistemas de reconocimiento: Rostro, Firma, Huella Dactilar, Oído, Iris, etc.
CS231n Redes neuronales convolucionales para reconocimiento visual (Stanford)
[Curso] [YouTube]
Este curso es una inmersión profunda en los detalles de las arquitecturas de aprendizaje profundo con un enfoque en el aprendizaje de modelos de un extremo a otro para estas tareas, en particular la clasificación de imágenes. Durante el curso de 10 semanas, los estudiantes aprenderán a implementar, entrenar y depurar sus propias redes neuronales y obtendrán una comprensión detallada de la investigación de vanguardia en visión por computadora. La tarea final implicará entrenar una red neuronal convolucional de parámetros multimillonarios y aplicarla en el conjunto de datos de clasificación de imágenes más grande (ImageNet). Nos centraremos en enseñar cómo configurar el problema del reconocimiento de imágenes, los algoritmos de aprendizaje (por ejemplo, retropropagación), trucos prácticos de ingeniería para entrenar y ajustar las redes y guiaremos a los estudiantes a través de tareas prácticas y un proyecto final del curso. Gran parte de los antecedentes y materiales de este curso se extraerán del ImageNet Challenge.
Aprendizaje profundo para visión por computadora (Universidad de Michigan), Justin Johnson
[Curso]
Este curso profundiza en los detalles de los métodos de aprendizaje profundo basados en redes neuronales para la visión por computadora. Durante este curso, los estudiantes aprenderán a implementar, entrenar y depurar sus propias redes neuronales y obtendrán una comprensión detallada de la investigación de vanguardia en visión por computadora. Cubriremos algoritmos de aprendizaje, arquitecturas de redes neuronales y trucos prácticos de ingeniería para entrenar y ajustar redes para tareas de reconocimiento visual.
Redes neuronales convolucionales, profesor Andrew Ng
[Curso]
Este curso le enseñará cómo construir redes neuronales convolucionales y aplicarlas a datos de imágenes. Gracias al aprendizaje profundo, la visión por computadora está funcionando mucho mejor que hace apenas dos años, y esto está permitiendo numerosas aplicaciones interesantes que van desde la conducción autónoma segura hasta el reconocimiento facial preciso y la lectura automática de imágenes radiológicas.
Redes convolucionales, Ian Goodfellow
[YouTube]
Sistemas sensoriales 9.04 (MIT), Prof. Peter H. Schiller, Prof. M. Christian Brown
[Curso] [YouTube]
Este curso examina las bases neuronales de la percepción sensorial. La atención se centra en los estudios fisiológicos y anatómicos del sistema nervioso de los mamíferos, así como en los estudios de comportamiento de animales y humanos. Los temas incluyen patrones visuales, percepción de color y profundidad, respuestas auditivas y localización de sonidos, y percepción somatosensorial.
La percepción visual y el cerebro (Universidad de Duke), Dale Purves
[Curso]
Se presentará a los alumnos los problemas que enfrenta la visión, utilizando la percepción como guía. El curso considerará cómo lo que vemos es generado por el sistema visual, cuál es el problema central de la visión y qué indica la percepción visual sobre cómo funciona el cerebro. La evidencia se extraerá de la neurociencia, la psicología, la historia de la ciencia de la visión y lo que ha contribuido la filosofía. Aunque las discusiones se basarán en la anatomía y fisiología del sistema visual, la atención se centrará en la percepción. Vemos el mundo físico de una manera extraña y el objetivo es entender por qué.
Visión de Alto Nivel (CBCSL)
[YouTube]
Aprendizaje automático CS229 (Stanford), Prof. Andrew Ng
[Curso] [YouTube]
Este curso proporciona una amplia introducción al aprendizaje automático y al reconocimiento de patrones estadísticos. Los temas incluyen: aprendizaje supervisado (aprendizaje generativo/discriminativo, aprendizaje paramétrico/no paramétrico, redes neuronales, máquinas de vectores de soporte); aprendizaje no supervisado (agrupación, reducción de dimensionalidad, métodos de kernel); teoría del aprendizaje (compensaciones entre sesgo y varianza; teoría de VC; grandes márgenes); Aprendizaje por refuerzo y control adaptativo. El curso también discutirá aplicaciones recientes del aprendizaje automático, como el control robótico, la minería de datos, la navegación autónoma, la bioinformática, el reconocimiento de voz y el procesamiento de datos web y de texto.
Aprendizaje automático CS156 (Caltech), Prof. Yaser Abu-Mostafa
[Curso] [YouTube]
Este es un curso introductorio impartido por el profesor de Caltech Yaser Abu-Mostafa sobre aprendizaje automático que cubre la teoría básica, los algoritmos y las aplicaciones. El aprendizaje automático (ML) permite que los sistemas computacionales mejoren de forma adaptativa su rendimiento con la experiencia acumulada a partir de los datos observados. Las técnicas de aprendizaje automático se aplican ampliamente en ingeniería, ciencia, finanzas y comercio para construir sistemas para los cuales no tenemos especificaciones matemáticas completas (y eso cubre muchos sistemas). El curso equilibra la teoría y la práctica, y cubre tanto los aspectos matemáticos como los heurísticos.
Aprendizaje automático para visión por computadora (Universidad de Heidelberg), Prof. Fred Hamprecht
[Curso] [YouTube]
Este curso cubre métodos avanzados de aprendizaje automático que permiten la llamada "predicción estructurada". El objetivo es realizar múltiples predicciones que interactúen de forma no trivial; y tenemos en cuenta estas interacciones tanto durante el entrenamiento como en el momento de las pruebas.
Aprendizaje automático para robótica y visión por computadora (TU München), Dr. Rudolph Triebel
[Curso] [YouTube]
En esta conferencia, los estudiantes conocerán los métodos de aprendizaje automático más utilizados en aplicaciones de robótica y visión por computadora. El objetivo principal de la conferencia es obtener una visión amplia de los métodos existentes y comprender sus motivaciones e ideas principales en el contexto de la visión por computadora y el reconocimiento de patrones.
Aprendizaje automático para sistemas inteligentes CS4780 (Cornell), Prof. Killian Weiberger
[Curso] [YouTube]
El objetivo de este curso es dar una introducción al campo del aprendizaje automático. El curso le enseñará habilidades básicas para decidir qué algoritmo de aprendizaje utilizar para cada problema, codificar su propio algoritmo de aprendizaje y evaluarlo y depurarlo.
Introducción al Aprendizaje Automático y Reconocimiento de Patrones (CBCSL), Aleix M. Martinez
[YouTube]
Aprendizaje automático aplicado COMS W4995 (Columbia), Andreas C. Müller
[Curso] [YouTube]
Esta clase ofrece un enfoque práctico del aprendizaje automático y la ciencia de datos. La clase analiza la aplicación de métodos de aprendizaje automático como SVM, bosques aleatorios, aumento de gradiente y redes neuronales en conjuntos de datos del mundo real, incluida la preparación de datos, la selección y evaluación de modelos. Esta clase complementa COMS W4721 porque se basa completamente en implementaciones de código abierto disponibles en scikit-learn y tensor flow para todas las implementaciones. Además de aplicar modelos, también discutiremos herramientas y prácticas de desarrollo de software relevantes para la producción de modelos de aprendizaje automático.
Aprendizaje automático probabilístico y estadístico (Universidad de Tubinga), Prof. Philipp Hennig, Prof. U. von Luxburg
[Curso] [YouTube]
La conferencia se centra en los aspectos algorítmicos y teóricos del aprendizaje automático. Cubriremos muchos de los algoritmos estándar y aprenderemos sobre los principios generales y los resultados teóricos para crear buenos algoritmos de aprendizaje automático. Los temas van desde resultados bien establecidos hasta resultados muy recientes.
Introducción al aprendizaje automático para programadores (fast.ai), Jeremy Howard
[Curso] [YouTube]
Impartido por Jeremy Howard (competidor número uno de Kaggle durante 2 años consecutivos y fundador de Enlitic). Aprenda los modelos de aprendizaje automático más importantes, incluido cómo crearlos usted mismo desde cero, así como habilidades clave en preparación de datos, validación de modelos y creación de productos de datos. Hay alrededor de 24 horas de lecciones y debe planear dedicar alrededor de 8 horas a la semana durante 12 semanas para completar el material. El curso se basa en lecciones grabadas en la Universidad de San Francisco para el programa de Maestría en Ciencias de Datos. Suponemos que tiene al menos un año de experiencia en codificación y recuerda lo que aprendió en matemáticas en la escuela secundaria o está preparado para realizar un estudio independiente para actualizar sus conocimientos.
Introducción al aprendizaje automático ECE 5984 (Virginia Tech), Prof. Dhruv Batra
[Curso] [YouTube]
Aprendizaje profundo CS230 (Stanford), Prof. Andrew Ng, Kian Katanforoosh
[Curso] [YouTube]
El aprendizaje profundo es una de las habilidades más buscadas en IA. En este curso, aprenderá los fundamentos del aprendizaje profundo, comprenderá cómo construir redes neuronales y aprenderá a liderar proyectos exitosos de aprendizaje automático. Aprenderá sobre redes convolucionales, RNN, LSTM, Adam, Dropout, BatchNorm, inicialización de Xavier/He y más.
Especialización en aprendizaje profundo, Prof. Andrew Ng, Kian Katanforoosh
[Curso]
En cinco cursos, aprenderá los fundamentos del aprendizaje profundo, comprenderá cómo construir redes neuronales y aprenderá a liderar proyectos exitosos de aprendizaje automático. Aprenderá sobre redes convolucionales, RNN, LSTM, Adam, Dropout, BatchNorm, inicialización de Xavier/He y más. Trabajará en estudios de casos de atención médica, conducción autónoma, lectura de lengua de signos, generación de música y procesamiento del lenguaje natural. Dominará no sólo la teoría, sino que también verá cómo se aplica en la industria. Practicarás todas estas ideas en Python y en TensorFlow, que enseñaremos.
Aprendizaje profundo EE-559 (EPFL), François Fleuret
[Curso]
Este curso es una introducción completa al aprendizaje profundo, con ejemplos en el marco de PyTorch: objetivos y desafíos principales del aprendizaje automático, operaciones tensoriales, diferenciación automática, descenso de gradientes, técnicas específicas de aprendizaje profundo (batchnorm, abandono, redes residuales), comprensión de imágenes. , modelos generativos, modelos generativos adversarios, modelos recurrentes, modelos de atención, PNL.
Introducción al aprendizaje profundo 6.S191 (MIT), Alexander Amini y Ava Soleimany
[Curso] [YouTube]
¡El curso introductorio del MIT sobre métodos de aprendizaje profundo con aplicaciones a la visión por computadora, el procesamiento del lenguaje natural, la biología y más! Los estudiantes obtendrán conocimientos básicos de algoritmos de aprendizaje profundo y obtendrán experiencia práctica en la construcción de redes neuronales en TensorFlow. El curso concluye con un concurso de propuestas de proyectos con comentarios del personal y un panel de patrocinadores de la industria. Los requisitos previos suponen cálculo (es decir, derivaciones) y álgebra lineal (es decir, multiplicación de matrices). ¡Intentaremos explicar todo lo demás a lo largo del camino! La experiencia en Python es útil pero no necesaria.
Aprendizaje profundo práctico para programadores (fast.ai), Jeremy Howard
[Curso] [YouTube]
Aprendizaje profundo para codificadores con fastai y PyTorch: aplicaciones de inteligencia artificial sin doctorado.
Aprendizaje profundo para la percepción ECE 6504 (Virginia Tech), Prof. Dhruv Batra
[Curso] [YouTube]
Este curso expondrá a los estudiantes a investigaciones de vanguardia, desde un repaso de los conceptos básicos de las redes neuronales hasta desarrollos recientes.
Conferencias de aprendizaje profundo e inteligencia artificial (MIT)
[Curso] [YouTube]
Introducción al aprendizaje profundo 11-785 (Universidad Carnegie Mellon)
[Curso] [YouTube]
En este curso aprenderemos sobre los conceptos básicos de las redes neuronales profundas y sus aplicaciones a diversas tareas de IA. Al final del curso, se espera que los estudiantes tengan una familiaridad significativa con el tema y puedan aplicar el aprendizaje profundo a una variedad de tareas. También estarán en condiciones de comprender gran parte de la literatura actual sobre el tema y ampliar sus conocimientos mediante estudios adicionales.
Gráficos por computadora CMU 15-462/662 (Universidad Carnegie Mellon)
[Sitio web] [YouTube]
Vídeos de conferencias para la clase de introducción a los gráficos por computadora en la Universidad Carnegie Mellon.
Gráficos por computadora (Universidad de Utrecht), Wolfgang Huerst
[YouTube]
Grabaciones de una conferencia introductoria sobre gráficos por computadora impartida por Wolfgang Hürst, Universidad de Utrecht, Países Bajos, desde abril de 2012 hasta junio de 2012.
Gráficos por computadora ECS175 (UC Davis), Prof. Kenneth Joy
[YouTube]
Gráficos por computadora (ECS175) enseña los principios básicos de los gráficos por computadora tridimensionales. La atención se centrará en las técnicas matemáticas elementales para posicionar objetos en un espacio tridimensional, la óptica geométrica necesaria para determinar cómo rebota la luz en las superficies y las formas de utilizar un sistema informático y métodos para implementar los algoritmos y técnicas necesarios para producir 3- ilustraciones dimensionales. Los temas detallados incluirán lo siguiente: geometría transformacional, posicionamiento de cámaras virtuales y fuentes de luz, modelado jerárquico de objetos complejos, representación de modelos complejos, algoritmos de sombreado y métodos para representar y sombrear objetos curvos.
Gráficos por computadora CS184 (UC Berkeley), Ravi Ramamoorthi
[Curso]
Este curso es una introducción a los fundamentos de los gráficos por computadora tridimensionales. Los temas cubiertos incluyen transformaciones 2D y 3D, programación de gráficos 3D interactivos con OpenGL, modelos de sombreado e iluminación, modelado geométrico usando curvas Bézier y B-Spline, renderizado de gráficos por computadora que incluye trazado de rayos e iluminación global, procesamiento de señales para suavizado y mapeo de texturas. y animación y cinemática inversa. Se hará hincapié en los aspectos matemáticos y geométricos de los gráficos, así como en la capacidad de escribir programas completos de gráficos 3D.
Curso de Rendering / Ray Tracing (TU Wien), Károly Zsolnai-Fehér
[Curso] [YouTube]
Este curso tiene como objetivo brindar una descripción general de los métodos de renderizado básicos y de última generación. Se introducen métodos fuera de línea como el trazado de rayos y trayectorias, el mapeo de fotones y muchos otros algoritmos, y se explican diversas mejoras. Se describen los fundamentos de la física involucrada, como la óptica geométrica, la interacción de superficies y medios con la luz y los modelos de cámara. Se presenta el aparato de los métodos de Monte Carlo, que se utiliza mucho en varios algoritmos y se explica su refinamiento en forma de muestreo estratificado y el método Metropolis-Hastings.
