Computer Vision Video Lectures
1.0.0
Daftar kursus tingkat universitas gratis, berkualitas tinggi dengan video ceramah yang terkait dengan bidang Computer Vision.
Sinyal dan Sistem 6.003 (MIT), Prof. Dennis Freeman
[Kursus]
Sinyal dan Sistem 6.003 mencakup dasar-dasar analisis sinyal dan sistem, dengan fokus pada representasi sinyal waktu diskrit dan waktu kontinu (fungsi singularitas, eksponensial dan geometri kompleks, representasi Fourier, transformasi Laplace dan Z, pengambilan sampel) dan representasi linier, waktu -sistem invarian (persamaan beda dan diferensial, diagram blok, fungsi sistem, kutub dan nol, konvolusi, respons impuls dan langkah, respons frekuensi). Penerapannya diambil secara luas dari bidang teknik dan fisika, termasuk umpan balik dan kontrol, komunikasi, dan pemrosesan sinyal.
Pemrosesan Sinyal Digital ECSE-4530 (Institut Politeknik Rensselaer), Richard Radke
[Kursus] [YouTube]
Mata kuliah ini memberikan pembahasan komprehensif tentang teori, desain, dan implementasi algoritma pemrosesan sinyal digital. Pada paruh pertama kursus, kami menekankan analisis domain frekuensi dan transformasi Z. Pada paruh kedua kursus, kami menyelidiki topik lanjutan dalam pemrosesan sinyal, termasuk pemrosesan sinyal multirate, desain filter, pemfilteran adaptif, desain kuantizer, dan estimasi spektrum daya. Kursus ini cukup independen terhadap aplikasi, untuk memberikan landasan teoretis yang kuat untuk studi masa depan di bidang komunikasi, kontrol, atau pemrosesan gambar. Kursus ini awalnya ditawarkan di tingkat pascasarjana tetapi dilengkapi kembali pada tahun 2009 menjadi tingkat senior.
Pemrosesan Sinyal Digital (EPFL), Paolo Prandoni, Martin Vetterli
[Kursus]
Dalam rangkaian empat kursus ini, Anda akan mempelajari dasar-dasar Pemrosesan Sinyal Digital dari awal. Dimulai dari definisi dasar sinyal waktu diskrit, kita akan mempelajari analisis Fourier, desain filter, pengambilan sampel, interpolasi, dan kuantisasi untuk membangun perangkat DSP yang cukup lengkap untuk menganalisis sistem komunikasi praktis secara mendetail. Contoh langsung dan demonstrasi akan secara rutin digunakan untuk menutup kesenjangan antara teori dan praktik.
Pemrosesan Gambar dan Video: Dari Mars ke Hollywood dengan Berhenti di Rumah Sakit (Duke University), Prof. Guillermo Sapiro
[Kursus] [YouTube]
Dalam kursus ini, Anda akan mempelajari ilmu di balik bagaimana gambar dan video digital dibuat, diubah, disimpan, dan digunakan. Kita akan melihat luasnya dunia pencitraan digital, mulai dari bagaimana komputer dan kamera digital membentuk gambar, bagaimana efek khusus digital digunakan dalam film-film Hollywood, hingga bagaimana Mars Rover mampu mengirim foto melintasi jutaan mil ruang angkasa.
Kursus ini dimulai dengan melihat cara kerja sistem visual manusia dan kemudian mengajarkan Anda tentang teknik, matematika, dan ilmu komputer yang membuat gambar digital berfungsi. Anda akan mempelajari algoritme dasar yang digunakan untuk menyesuaikan gambar, menjelajahi standar JPEG dan MPEG untuk pengkodean dan kompresi gambar video, dan melanjutkan mempelajari tentang segmentasi gambar, penghilangan noise, dan pemfilteran. Terakhir, kita akan mengakhiri dengan teknik pengolahan gambar yang digunakan dalam pengobatan.
Pengantar Pemrosesan Citra Digital ECSE-4540 (Institut Politeknik Rensselaer), Richard Radke
[Kursus] [YouTube]
Pengantar bidang pengolahan citra, mencakup aspek analitis dan implementasi. Topiknya meliputi sistem visual manusia, kamera dan pembentukan gambar, pengambilan sampel dan kuantisasi gambar, peningkatan gambar domain spasial dan frekuensi, desain filter, restorasi gambar, pengkodean dan kompresi gambar, pemrosesan gambar morfologi, pemrosesan gambar berwarna, segmentasi gambar, dan gambar rekonstruksi. Contoh dan tugas dunia nyata diambil dari pencitraan digital konsumen, keamanan dan pengawasan, serta pemrosesan citra medis. Kursus ini menjadi dasar yang baik untuk kursus pemrosesan gambar dan visi komputer pascasarjana kami yang ekstensif.
Dasar-dasar Pemrosesan Gambar dan Video Digital (Northwestern University), Prof. Aggelos K. Katsaggelos
[Kursus]
Kursus ini akan membahas dasar-dasar pemrosesan gambar dan video. Kami akan memberikan kerangka matematika untuk mendeskripsikan dan menganalisis gambar dan video sebagai sinyal dua dan tiga dimensi dalam domain spasial, spatio-temporal, dan frekuensi. Di kelas ini Anda tidak hanya akan mempelajari teori di balik tugas pemrosesan dasar termasuk penyempurnaan gambar/video, pemulihan, dan kompresi - namun Anda juga akan mempelajari cara melakukan tugas pemrosesan utama ini dalam praktik menggunakan teknik dan alat tercanggih. . Kami akan memperkenalkan dan menggunakan berbagai macam alat tersebut – mulai dari kotak alat pengoptimalan hingga teknik statistik. Penekanan pada peran khusus ketersebaran dalam pemrosesan gambar dan video modern juga akan diberikan. Dalam semua kasus, contoh gambar dan video yang berkaitan dengan domain aplikasi tertentu akan digunakan.
Pemrosesan Gambar dan Sinyal Multidimensi EENG 510 (Colorado School of Mines), William Hoff
[Kursus] [YouTube]
Kursus ini membekali siswa dengan latar belakang teori yang memungkinkan mereka menerapkan gambar canggih dan teknik pemrosesan sinyal multi-dimensi. Mata kuliah ini mengajarkan siswa untuk memecahkan masalah-masalah praktis yang melibatkan pemrosesan data multidimensi seperti citra, rangkaian video, dan data volumetrik. Jenis masalah yang diharapkan dapat dipecahkan oleh siswa adalah pengukuran otomatis dari data multidimensi, dan pemulihan, rekonstruksi, atau kompresi data multidimensi. Alat yang digunakan dalam menyelesaikan permasalahan tersebut antara lain berbagai metode ekstraksi fitur, teknik filtering, teknik segmentasi, dan metode transformasi.
Pengolahan Citra Digital (IIT Kanpur), Prof. PK Biswas
[Kursus] [YouTube]
Pengolahan dan Analisis Gambar ECS 173 (UC Davis), Prof. Owen Carmichael
[Kursus] [YouTube]
Teknik ekstraksi otomatis informasi tingkat tinggi dari gambar yang dihasilkan oleh kamera, sensor permukaan tiga dimensi, dan perangkat medis. Aplikasi yang umum mencakup deteksi objek dalam berbagai jenis gambar dan mendeskripsikan populasi spesimen biologis yang muncul dalam citra medis.
Pemrosesan Citra Digital EE225B (UC Berkeley), Prof. Avideh Zakhor
[Kursus]
Kursus ini mencakup topik-topik berikut: barisan dan sistem 2-D, sistem yang dapat dipisahkan, irisan proyeksi, rekonstruksi dari proyeksi dan informasi Fourier parsial, transformasi Z, persamaan berbeda, komputasi rekursif, DFT dan FFT 2D, desain filter FIR 2D; mata manusia, persepsi, sifat penglihatan psikofisik, fotometri dan kolorimetri, optik dan sistem citra; penyempurnaan gambar, restorasi gambar, modifikasi gambar geometris, pemrosesan gambar morfologi, halftoning, deteksi tepi, kompresi gambar: kuantisasi skalar, pengkodean lossless, pengkodean huffman, teknik kamus pengkodean aritmatika, pengkodean bentuk gelombang dan transformasi DCT, KLT, Hadammard, piramida pengkodean multiresolusi, pengkodean subband, pengkodean Fraktal, kuantisasi vektor, estimasi dan kompensasi gerakan, standar: JPEG, MPEG, H.xxx, pra dan pasca pemrosesan, gambar dan video yang dapat diskalakan pengkodean, komunikasi gambar dan video melalui saluran yang bising.
Pengolahan Citra Digital I EE637 (Universitas Purdue), Prof. Charles A. Bouman
[Kursus] [YouTube]
Pengantar teknik pemrosesan citra digital untuk peningkatan, kompresi, restorasi, rekonstruksi, dan analisis. Perkuliahan dan eksperimen laboratorium yang mencakup berbagai topik termasuk sinyal dan sistem 2-D, analisis gambar, segmentasi gambar; penglihatan akromatik, pemrosesan gambar berwarna, sistem pencitraan warna, penajaman gambar, interpolasi, penipisan, pemfilteran linier dan nonlinier, pencetakan dan tampilan gambar; kompresi gambar, restorasi gambar, dan tomografi.
Pencitraan Besar Kuantitatif: Dari Gambar ke Statistik (ETH Zurich), KS Mader, M. Stampanoni
[Kursus] [YouTube] [GitHub]
Kuliah ini berfokus pada tugas menantang dalam mengekstraksi metrik kuantitatif yang kuat dari data pencitraan dan dimaksudkan untuk menjembatani kesenjangan antara pemrosesan sinyal murni dan ilmu eksperimental pencitraan. Kursus ini akan fokus pada teknik, skalabilitas, dan analisis berbasis sains.
Prinsip Pertama Visi Komputer, Shree Nayar
[Situs Web] [YouTube]
Prinsip Pertama Visi Komputer adalah rangkaian kuliah yang dibawakan oleh Shree Nayar yang merupakan pengajar di Departemen Ilmu Komputer, Sekolah Teknik dan Ilmu Terapan, Universitas Columbia. Computer Vision adalah perusahaan yang membuat mesin yang “melihat”. Seri ini berfokus pada dasar-dasar fisik dan matematika dari visi dan telah dirancang untuk pelajar, praktisi, dan penggemar yang tidak memiliki pengetahuan sebelumnya tentang visi komputer.
Computer Vision CAP5415 (UCF), Dr
[Kursus 2012] [Kursus 2014] [YouTube 2012] [YouTube 2014]
Kursus ini merupakan tingkat pengantar. Ini akan mencakup topik dasar visi komputer, dan memperkenalkan beberapa pendekatan mendasar untuk penelitian visi komputer.
Pengantar Computer Vision CS-6476 (Georgia Tech)
[Kursus] [Udacity]
Visi Komputer EENG 512 (Sekolah Pertambangan Colorado), William Hoff
[Youtube]
Kursus ini memberikan gambaran umum tentang bidang ini, dimulai dengan pembentukan gambar dan pemrosesan gambar tingkat rendah. Kami kemudian membahas secara rinci teori dan teknik untuk mengekstraksi fitur dari gambar, mengukur bentuk dan lokasi, dan mengenali objek.
Visi Komputer 3D CS4277/CS5477 (Universitas Nasional Singapura), Gim Hee Lee
[Youtube]
Ini adalah kursus pengantar 3D Computer Vision yang direkam untuk pembelajaran online di NUS karena COVID-19. Topik yang dibahas antara lain: Kuliah 1: Geometri proyektif 2D dan 1D. Kuliah 2: Gerak benda kaku dan geometri proyektif 3D. Kuliah 3: Titik-titik melingkar dan Kerucut mutlak. Kuliah 4: Estimasi homografi yang kuat. Kuliah 5: Model kamera dan kalibrasi. Kuliah 6: Metrologi pandangan tunggal. Kuliah 7: Matriks fundamental dan esensial. Kuliah 8: Estimasi pose absolut dari titik atau garis. Kuliah 9: Geometri tiga pandangan dari titik dan/atau garis. Kuliah 10: Structure-from-Motion (SfM) dan penyesuaian bundel. Kuliah 11: Stereo dua tampilan dan multi-tampilan. Kuliah 12: Kamera umum. Kuliah 13: Kalibrasi Otomatis.
Geometri Tampilan Berganda dalam Computer Vision (IT Sligo), Sean Mullery
[YouTube]
Computer Vision (IIT Kanpur), Prof. Jayanta Mukhopadhyay
[Kursus]
Kursus ini akan memiliki cakupan teori dan komputasi yang komprehensif terkait dengan geometri pencitraan, dan pemahaman pemandangan. Ini juga akan memberikan paparan tentang teknik pengelompokan, klasifikasi dan pembelajaran mendalam yang diterapkan di bidang ini.
Visi Komputer CS-442 (EPFL), Pascal Fua
[Kursus]
Para siswa akan diperkenalkan dengan teknik dasar bidang Computer Vision. Mereka akan belajar menerapkan teknik Pemrosesan Gambar jika diperlukan. Kami akan berkonsentrasi pada gambar hitam putih dan berwarna yang diperoleh menggunakan kamera video standar. Kami akan memperkenalkan teknik pemrosesan dasar, seperti deteksi tepi, segmentasi, karakterisasi tekstur, dan pengenalan bentuk.
Visi Komputer CS 543 (Universitas Illinois), Derek Hoiem
[Kursus] [Rekaman]
Dalam kursus ini, kita akan membahas banyak konsep dasar dan algoritma visi komputer: geometri tampilan tunggal dan multi-tampilan, pencahayaan, filter linier, tekstur, titik minat, pelacakan, RANSAC, pengelompokan K-means, segmentasi, algoritma EM , pengakuan, dan sebagainya. Dalam pekerjaan rumah, Anda akan mempraktikkan banyak konsep ini. Karena ini adalah kursus survei, kami tidak akan membahas topik apa pun secara mendalam, namun di akhir kursus, Anda harus bersiap untuk penyelidikan dan penerapan terkait visi lebih lanjut.
Visi Komputer untuk Efek Visual ECSE-6969, Richard Radke
[Kursus] [YouTube]
Kursus ini menekankan topik penelitian yang mendasari efek visual tingkat lanjut yang semakin umum dalam iklan, video musik, dan film. Topiknya mencakup algoritma visi komputer klasik yang digunakan secara rutin di Hollywood (seperti matting layar biru, struktur dari gerakan, aliran optik, dan pelacakan fitur) dan perkembangan terkini yang menarik yang menjadi dasar untuk efek masa depan (seperti matting gambar alami, pengomposisian multi-gambar, penargetan ulang gambar, dan sintesis tampilan). Kami juga membahas teknologi di balik penangkapan gerak dan akuisisi data tiga dimensi. Analisis video di balik layar dan wawancara mendalam dengan seniman efek visual Hollywood mengaitkan konsep matematika dengan pembuatan film di dunia nyata.
Pemrosesan gambar dan Computer Vision (CBCSL), Aleix M. Martinez
[YouTube]
Rahasia Kuno Computer Vision (Universitas Washington), Joseph Redmon
[Kursus] [YouTube]
Kelas ini adalah pengenalan umum tentang visi komputer. Ini mencakup teknik standar dalam pemrosesan gambar seperti pemfilteran, deteksi tepi, stereo, aliran, dll. (visi jadul), serta visi komputer berbasis pembelajaran mesin yang lebih baru.
Visi Komputer Tingkat Lanjut CAP6412 (UCF), Dr
[Kursus 2019] [YouTube]
Ini adalah Visi Komputer Tingkat Lanjut yang akan memaparkan mahasiswa pascasarjana pada penelitian mutakhir. Di setiap kelas kita akan membahas satu makalah penelitian terbaru yang berkaitan dengan bidang aktif penelitian saat ini, khususnya yang menggunakan Pembelajaran Mendalam. Visi komputer telah menjadi bidang penelitian yang sangat aktif selama beberapa dekade dan para peneliti telah berupaya memecahkan masalah-masalah penting yang menantang. Selama beberapa tahun terakhir, Pembelajaran Mendalam yang melibatkan Jaringan Syaraf Tiruan telah menjadi kekuatan yang mengganggu dalam visi komputer. Dengan menggunakan pembelajaran mendalam, kemajuan luar biasa telah dicapai dalam waktu yang sangat singkat dalam memecahkan masalah yang sulit dan hasil yang sangat mengesankan telah diperoleh dalam klasifikasi gambar dan video, lokalisasi, segmentasi semantik, dll. Teknik, kumpulan data, perpustakaan perangkat keras dan perangkat lunak baru bermunculan hampir setiap tahun. hari. Visi Komputer Mendalam memengaruhi penelitian di bidang Robotika, pemahaman Bahasa Alami, Grafik Komputer, analisis multi-modal, dll.
Visi Komputer I: Metode Variasi (TU München), Prof. Daniel Cremers
[Kursus] [YouTube]
Metode Variasi adalah salah satu teknik paling klasik untuk optimasi fungsi biaya dalam dimensi yang lebih tinggi. Banyak tantangan dalam Computer Vision dan domain penelitian lainnya yang dapat dirumuskan sebagai metode variasi. Contohnya termasuk denoising, deblurring, segmentasi gambar, pelacakan, estimasi aliran optik, estimasi kedalaman dari gambar stereo atau rekonstruksi 3D dari berbagai tampilan.
Di kelas ini, saya akan memperkenalkan konsep dasar metode variasional, kalkulus Euler-Lagrange dan persamaan diferensial parsial. Saya akan membahas bagaimana tantangan visi komputer dan analisis gambar dapat dianggap sebagai masalah yang bervariasi dan bagaimana tantangan tersebut dapat diselesaikan secara efisien. Menjelang akhir kelas, saya akan membahas formulasi cembung dan relaksasi cembung yang memungkinkan penghitungan solusi optimal atau mendekati optimal dalam pengaturan variasional.
Computer Vision II: Geometri Tampilan Berganda (TU München), Prof. Daniel Cremers
[Kursus] [YouTube]
Kuliah ini memperkenalkan konsep dasar pembentukan gambar - proyeksi perspektif dan gerak kamera. Tujuannya adalah untuk merekonstruksi dunia tiga dimensi dan gerakan kamera dari berbagai gambar. Untuk tujuan ini, seseorang menentukan korespondensi antara titik-titik dalam berbagai gambar dan batasan masing-masing yang memungkinkan untuk menghitung gerakan dan struktur 3D. Penekanan khusus dari kuliah ini adalah pada deskripsi matematis gerak benda tegar dan proyeksi perspektif. Untuk memperkirakan gerakan kamera dan geometri 3D kita akan menggunakan metode spektral dan metode optimasi nonlinier.
Visi Komputer Tingkat Lanjut (CBCSL), Aleix M. Martinez
[Youtube]
Sekolah Musim Panas Pascasarjana tentang Computer Vision (IPAM di UCLA)
[Kursus]
Fotogrametri I & II (Universitas Bonn), Cyrill Stachniss
[Kursus] [YouTube]
Penginderaan Seluler dan Robotika I (Universitas Bonn), Cyrill Stachniss
[Kursus]
Penginderaan Seluler dan Robotika II (Universitas Bonn), Cyrill Stachniss
[Kursus] [YouTube]
Pemetaan Robot (Universitas Bonn), Cyrill Stachniss
[Kursus] [YouTube]
Kuliah ini akan membahas berbagai topik dan teknik dalam konteks pemodelan lingkungan dengan robot bergerak. Kami akan membahas teknik seperti SLAM dengan keluarga filter Kalman, filter informasi, filter partikel. Kami selanjutnya akan menyelidiki pendekatan berbasis grafik, minimalisasi kesalahan kuadrat terkecil, teknik pengenalan tempat dan pemetaan berbasis tampilan, dan asosiasi data.
Biometrik (IIT Kanpur), Prof. Phalguni Gupta
[Kursus] [YouTube]
Pengenalan Ciri-ciri Biometrik dan tujuannya, dasar-dasar pengolahan citra, pengoperasian dasar citra, pemfilteran, penyempurnaan, penajaman, deteksi tepi, penghalusan, penyempurnaan, ambang batas, lokalisasi. Deret Fourier, DFT, kebalikan dari DFT. Sistem biometrik, identifikasi dan verifikasi. FAR/FRR, masalah desain sistem. Identifikasi positif/negatif. Keamanan sistem biometrik, protokol otentikasi, distribusi skor pencocokan, kurva ROC, kurva DET, kurva FAR/FRR. Kesalahan umum yang diharapkan, EER, mitos biometrik, dan penafsiran yang keliru. Pemilihan biometrik yang sesuai. Atribut biometrik, grafik Zephyr, jenis multi biometrik. Verifikasi sistem multimodel, strategi normalisasi, metode fusi, identifikasi multimodel. Keamanan sistem biometrik, kerentanan sistem biometrik, pengelakan, akuisisi terselubung, kontrol kualitas, pembuatan template, interoperabilitas, penyimpanan data. Sistem pengenalan: Wajah, Tanda Tangan, Sidik Jari, Telinga, Iris, dll.
Jaringan Neural Konvolusional CS231n untuk Pengenalan Visual (Stanford)
[Kursus] [YouTube]
Kursus ini mendalami detail arsitektur pembelajaran mendalam dengan fokus mempelajari model end-to-end untuk tugas-tugas ini, khususnya klasifikasi gambar. Selama kursus 10 minggu, siswa akan belajar menerapkan, melatih, dan men-debug jaringan saraf mereka sendiri serta mendapatkan pemahaman mendetail tentang penelitian mutakhir dalam visi komputer. Tugas akhir akan melibatkan pelatihan jaringan saraf konvolusional multi-juta parameter dan menerapkannya pada kumpulan data klasifikasi gambar terbesar (ImageNet). Kami akan fokus pada pengajaran bagaimana mengatur masalah pengenalan gambar, algoritma pembelajaran (misalnya propagasi mundur), trik teknik praktis untuk melatih dan menyempurnakan jaringan dan membimbing siswa melalui tugas langsung dan proyek kursus akhir. Sebagian besar latar belakang dan materi kursus ini akan diambil dari ImageNet Challenge.
Pembelajaran Mendalam untuk Computer Vision (Universitas Michigan), Justin Johnson
[Kursus]
Kursus ini mendalami detail metode pembelajaran mendalam berbasis jaringan saraf untuk visi komputer. Selama kursus ini, siswa akan belajar menerapkan, melatih, dan men-debug jaringan saraf mereka sendiri serta mendapatkan pemahaman mendetail tentang penelitian mutakhir dalam visi komputer. Kami akan membahas algoritma pembelajaran, arsitektur jaringan saraf, dan trik teknik praktis untuk pelatihan dan menyempurnakan jaringan untuk tugas pengenalan visual.
Jaringan Syaraf Konvolusional, Prof. Andrew Ng
[Kursus]
Kursus ini akan mengajarkan Anda cara membangun jaringan saraf konvolusional dan menerapkannya pada data gambar. Berkat pembelajaran mendalam, visi komputer bekerja jauh lebih baik dibandingkan dua tahun lalu, dan hal ini memungkinkan berbagai aplikasi menarik mulai dari mengemudi otonom yang aman, pengenalan wajah yang akurat, hingga pembacaan gambar radiologi secara otomatis.
Jaringan Konvolusional, Ian Goodfellow
[Youtube]
Sistem Sensorik 9.04 (MIT), Prof. Peter H. Schiller, Prof. M. Christian Brown
[Kursus] [YouTube]
Mata kuliah ini mengkaji dasar saraf persepsi sensorik. Fokusnya adalah pada studi fisiologis dan anatomi sistem saraf mamalia serta studi perilaku hewan dan manusia. Topiknya meliputi pola visual, persepsi warna dan kedalaman, respons pendengaran dan lokalisasi suara, serta persepsi somatosensori.
Persepsi Visual dan Otak (Duke University), Dale Purves
[Kursus]
Peserta didik akan dikenalkan dengan permasalahan yang dihadapi oleh penglihatan, dengan menggunakan persepsi sebagai pedoman. Kursus ini akan membahas bagaimana apa yang kita lihat dihasilkan oleh sistem visual, apa masalah utama penglihatan, dan apa yang ditunjukkan oleh persepsi visual tentang cara kerja otak. Buktinya akan diambil dari ilmu saraf, psikologi, sejarah ilmu penglihatan, dan kontribusi filsafat. Meskipun diskusi akan didasari oleh anatomi dan fisiologi sistem visual, fokusnya adalah pada persepsi. Kita melihat dunia fisik dengan cara yang aneh, dan tujuannya adalah untuk memahami alasannya.
Visi Tingkat Tinggi (CBCSL)
[Youtube]
Pembelajaran Mesin CS229 (Stanford), Prof.Andrew Ng
[Kursus] [YouTube]
Kursus ini memberikan pengenalan luas tentang pembelajaran mesin dan pengenalan pola statistik. Topiknya meliputi: pembelajaran yang diawasi (pembelajaran generatif/diskriminatif, pembelajaran parametrik/non-parametrik, jaringan saraf, mesin vektor pendukung); pembelajaran tanpa pengawasan (pengelompokan, reduksi dimensi, metode kernel); teori pembelajaran (pengorbanan bias/varians; teori VC; margin besar); pembelajaran penguatan dan kontrol adaptif. Kursus ini juga akan membahas aplikasi terkini pembelajaran mesin, seperti kontrol robot, penambangan data, navigasi otonom, bioinformatika, pengenalan suara, serta pemrosesan data teks dan web.
Pembelajaran Mesin CS156 (Caltech), Prof. Yaser Abu-Mostafa
[Kursus] [YouTube]
Ini adalah kursus pengantar oleh Profesor Caltech Yaser Abu-Mostafa tentang pembelajaran mesin yang mencakup teori dasar, algoritma, dan aplikasi. Pembelajaran mesin (ML) memungkinkan sistem komputasi untuk secara adaptif meningkatkan kinerjanya dengan pengalaman yang dikumpulkan dari data yang diamati. Teknik ML diterapkan secara luas di bidang teknik, sains, keuangan, dan perdagangan untuk membangun sistem yang spesifikasi matematisnya tidak kami miliki secara lengkap (dan itu mencakup banyak sistem). Kursus ini menyeimbangkan teori dan praktik, dan mencakup aspek matematika serta heuristik.
Pembelajaran Mesin untuk Computer Vision (Universitas Heidelberg), Prof.Fred Hamprecht
[Kursus] [YouTube]
Kursus ini mencakup metode pembelajaran mesin tingkat lanjut yang memungkinkan terjadinya apa yang disebut "prediksi terstruktur". Tujuannya adalah untuk membuat beberapa prediksi yang berinteraksi dengan cara yang tidak sepele; dan kami memperhitungkan interaksi ini selama pelatihan dan pada waktu ujian.
Pembelajaran Mesin untuk Robotika dan Visi Komputer (TU München), Dr. Rudolph Triebel
[Kursus] [YouTube]
Dalam kuliah ini, siswa akan diperkenalkan dengan metode pembelajaran mesin yang paling sering digunakan dalam aplikasi visi komputer dan robotika. Tujuan utama dari kuliah ini adalah untuk mendapatkan gambaran luas tentang metode yang ada, dan untuk memahami motivasi dan ide utama metode tersebut dalam konteks visi komputer dan pengenalan pola.
Pembelajaran Mesin untuk Sistem Cerdas CS4780 (Cornell), Prof. Killian Weiberger
[Kursus] [YouTube]
Tujuan dari kursus ini adalah untuk memberikan pengenalan tentang bidang pembelajaran mesin. Kursus ini akan mengajarkan Anda keterampilan dasar untuk memutuskan algoritma pembelajaran mana yang akan digunakan untuk masalah apa, membuat kode algoritma pembelajaran Anda sendiri dan mengevaluasi serta men-debugnya.
Pengantar Pembelajaran Mesin dan Pengenalan Pola (CBCSL), Aleix M. Martinez
[Youtube]
Pembelajaran Mesin Terapan COMS W4995 (Columbia), Andreas C. Müller
[Kursus] [YouTube]
Kelas ini menawarkan pendekatan praktis terhadap pembelajaran mesin dan ilmu data. Kelas ini membahas penerapan metode pembelajaran mesin seperti SVM, Random Forests, Gradient Boosting, dan jaringan saraf pada kumpulan data dunia nyata, termasuk persiapan data, pemilihan model, dan evaluasi. Kelas ini melengkapi COMS W4721 karena sepenuhnya bergantung pada implementasi sumber terbuka yang tersedia di scikit-learn dan aliran tensor untuk semua implementasi. Selain penerapan model, kami juga akan membahas alat dan praktik pengembangan perangkat lunak yang relevan dengan produksi model pembelajaran mesin.
Pembelajaran Mesin Probabilistik dan Statistik (Universitas Tübingen), Prof. Philipp Hennig, Prof. U. von Luxburg
[Kursus] [YouTube]
Fokus perkuliahan adalah pada aspek algoritmik dan teori pembelajaran mesin. Kami akan membahas banyak algoritme standar dan mempelajari prinsip umum serta hasil teoretis untuk membuat algoritme pembelajaran mesin yang baik. Topik berkisar dari hasil yang sudah mapan hingga hasil yang sangat baru.
Pengantar Pembelajaran Mesin untuk Pembuat Kode (fast.ai), Jeremy Howard
[Kursus] [YouTube]
Diajarkan oleh Jeremy Howard (pesaing #1 Kaggle selama 2 tahun berturut-turut, dan pendiri Enlitic). Pelajari model pembelajaran mesin yang paling penting, termasuk cara membuatnya sendiri dari awal, serta keterampilan utama dalam persiapan data, validasi model, dan pembuatan produk data. Ada sekitar 24 jam pelajaran, dan Anda harus berencana untuk menghabiskan sekitar 8 jam jam seminggu selama 12 minggu untuk menyelesaikan materi. Kursus ini didasarkan pada pelajaran yang dicatat di Universitas San Francisco untuk program Magister Sains dalam Ilmu Data. Kami berasumsi bahwa Anda memiliki setidaknya satu tahun pengalaman coding, dan mengingat apa yang Anda pelajari dalam matematika sekolah menengah, atau siap untuk melakukan studi mandiri untuk menyegarkan pengetahuan Anda.
Pengantar Machine Learning ECE 5984 (Virginia Tech), Prof.Dhruv Batra
[Kursus] [YouTube]
Pembelajaran Mendalam CS230 (Stanford), Prof.Andrew Ng, Kian Katanforoosh
[Kursus] [YouTube]
Pembelajaran Mendalam adalah salah satu keterampilan AI yang paling dicari. Dalam kursus ini, Anda akan mempelajari dasar-dasar Pembelajaran Mendalam, memahami cara membangun jaringan saraf, dan mempelajari cara memimpin proyek pembelajaran mesin yang sukses. Anda akan belajar tentang jaringan Konvolusional, RNN, LSTM, Adam, Dropout, BatchNorm, inisialisasi Xavier/He, dan banyak lagi.
Spesialisasi Pembelajaran Mendalam, Prof. Andrew Ng, Kian Katanforoosh
[Kursus]
Dalam lima kursus, Anda akan mempelajari dasar-dasar Pembelajaran Mendalam, memahami cara membangun jaringan saraf, dan mempelajari cara memimpin proyek pembelajaran mesin yang sukses. Anda akan belajar tentang jaringan Konvolusional, RNN, LSTM, Adam, Dropout, BatchNorm, inisialisasi Xavier/He, dan banyak lagi. Anda akan mengerjakan studi kasus dari perawatan kesehatan, mengemudi otonom, membaca bahasa isyarat, pembuatan musik, dan pemrosesan bahasa alami. Anda tidak hanya akan menguasai teorinya, tetapi juga melihat bagaimana penerapannya dalam industri. Anda akan mempraktikkan semua ide ini dengan Python dan TensorFlow, yang akan kami ajarkan.
Pembelajaran Mendalam EE-559 (EPFL), François Fleuret
[Kursus]
Kursus ini adalah pengenalan menyeluruh tentang pembelajaran mendalam, dengan contoh dalam kerangka kerja PyTorch: tujuan pembelajaran mesin dan tantangan utama, operasi tensor, diferensiasi otomatis, penurunan gradien, teknik khusus pembelajaran mendalam (batchnorm, dropout, jaringan sisa), pemahaman gambar , model generatif, model generatif permusuhan, model berulang, model perhatian, NLP.
Pengantar Pembelajaran Mendalam 6.S191 (MIT), Alexander Amini dan Ava Soleimany
[Kursus] [YouTube]
Kursus pengantar MIT tentang metode pembelajaran mendalam dengan aplikasi pada visi komputer, pemrosesan bahasa alami, biologi, dan banyak lagi! Siswa akan memperoleh pengetahuan dasar tentang algoritma pembelajaran mendalam dan mendapatkan pengalaman praktis dalam membangun jaringan saraf di TensorFlow. Kursus diakhiri dengan kompetisi proposal proyek dengan umpan balik dari staf dan panel sponsor industri. Prasyarat mengasumsikan kalkulus (yaitu mengambil turunan) dan aljabar linier (yaitu perkalian matriks), kami akan mencoba menjelaskan semuanya sepanjang proses! Pengalaman dengan Python sangat membantu tetapi tidak perlu.
Pembelajaran Mendalam Praktis untuk Pembuat Kode (fast.ai), Jeremy Howard
[Kursus] [YouTube]
Pembelajaran Mendalam untuk Pembuat Kode dengan fastai dan PyTorch: Aplikasi AI Tanpa gelar PhD.
Pembelajaran Mendalam untuk Persepsi ECE 6504 (Virginia Tech), Prof. Dhruv Batra
[Kursus] [YouTube]
Kursus ini akan memaparkan siswa pada penelitian mutakhir — mulai dari penyegaran dasar-dasar jaringan saraf, hingga perkembangan terkini.
Kuliah Pembelajaran Mendalam dan Kecerdasan Buatan (MIT)
[Kursus] [YouTube]
Pengantar Pembelajaran Mendalam 11-785 (Universitas Carnegie Mellon)
[Kursus] [YouTube]
Dalam kursus ini kita akan mempelajari dasar-dasar jaringan saraf dalam, dan penerapannya pada berbagai tugas AI. Pada akhir kursus, diharapkan siswa akan memiliki pemahaman yang signifikan terhadap subjek tersebut, dan mampu menerapkan Pembelajaran Mendalam pada berbagai tugas. Mereka juga akan diposisikan untuk memahami banyak literatur terkini mengenai topik tersebut dan memperluas pengetahuan mereka melalui studi lebih lanjut.
Grafik Komputer CMU 15-462/662 (Universitas Carnegie Mellon)
[Situs Web] [YouTube]
Video ceramah untuk kelas pengantar Grafik Komputer di Universitas Carnegie Mellon.
Grafik Komputer (Universitas Utrecht), Wolfgang Huerst
[YouTube]
Rekaman kuliah pengantar tentang grafik komputer yang diberikan oleh Wolfgang Hürst, Universitas Utrecht, Belanda, dari April 2012 hingga Juni 2012.
Grafik Komputer ECS175 (UC Davis), Prof. Kenneth Joy
[Youtube]
Computer Graphics (ECS175) mengajarkan prinsip dasar grafik komputer 3 dimensi. Fokusnya adalah teknik matematika dasar untuk memposisikan objek dalam ruang tiga dimensi, optik geometris yang diperlukan untuk menentukan bagaimana cahaya memantul dari permukaan, dan cara memanfaatkan sistem komputer serta metode untuk mengimplementasikan algoritme dan teknik yang diperlukan untuk menghasilkan 3-dimensi dasar. ilustrasi dimensi. Topik terperinci akan mencakup hal-hal berikut: geometri transformasional, penempatan kamera virtual dan sumber cahaya, pemodelan hierarki objek kompleks, rendering model kompleks, algoritme bayangan, dan metode rendering dan bayangan objek melengkung.
Grafik Komputer CS184 (UC Berkeley), Ravi Ramamoorthi
[Kursus]
Mata kuliah ini merupakan pengenalan dasar-dasar grafik komputer 3 dimensi. Topik yang dibahas meliputi transformasi 2D dan 3D, pemrograman grafis 3D interaktif dengan OpenGL, model bayangan dan pencahayaan, pemodelan geometris menggunakan kurva Bézier dan B-Spline, rendering grafik komputer termasuk ray tracing dan iluminasi global, pemrosesan sinyal untuk anti-aliasing dan pemetaan tekstur, dan animasi dan kinematika terbalik. Akan ada penekanan pada aspek matematika dan geometris grafik, serta kemampuan menulis program grafik 3D lengkap.
Kursus Rendering / Ray Tracing (TU Wien), Károly Zsolnai-Fehér
[Kursus] [YouTube]
Kursus ini bertujuan untuk memberikan gambaran umum tentang metode rendering dasar dan mutakhir. Metode offline seperti penelusuran sinar dan jalur, pemetaan foton, dan banyak algoritma lainnya diperkenalkan dan berbagai penyempurnaan dijelaskan. Dasar-dasar fisika yang terlibat, seperti optik geometris, interaksi permukaan dan media dengan model cahaya dan kamera diuraikan. Peralatan metode Monte Carlo diperkenalkan yang banyak digunakan dalam beberapa algoritma dan penyempurnaannya dalam bentuk pengambilan sampel bertingkat dan metode Metropolis-Hastings dijelaskan.
