Computer Vision Video Lectures
1.0.0
컴퓨터 비전 분야와 관련된 비디오 강의가 포함된 고품질의 무료 대학 수준 강좌 목록입니다.
신호 및 시스템 6.003(MIT), Dennis Freeman 교수
[강의]
신호 및 시스템 6.003은 이산시간 및 연속시간 신호(특이점 함수, 복소 지수 및 기하학, 푸리에 표현, 라플라스 및 Z 변환, 샘플링) 표현과 선형, 시간 표현에 중점을 두고 신호 및 시스템 분석의 기본 사항을 다룹니다. -불변 시스템(차이 및 미분 방정식, 블록 다이어그램, 시스템 함수, 극점 및 영점, 컨볼루션, 임펄스 및 계단 응답, 주파수 응답). 응용 프로그램은 피드백 및 제어, 통신, 신호 처리를 포함하여 공학 및 물리학에서 광범위하게 활용됩니다.
디지털 신호 처리 ECSE-4530(Renselaer Polytechnic Institute), Richard Radke
[강좌] [유튜브]
이 과정에서는 디지털 신호 처리 알고리즘의 이론, 설계 및 구현을 포괄적으로 다룹니다. 전반부에서는 주파수 영역 분석과 Z 변환 분석을 강조합니다. 과정의 후반부에서는 다중 속도 신호 처리, 필터 설계, 적응 필터링, 양자화기 설계 및 전력 스펙트럼 추정을 포함한 신호 처리의 고급 주제를 조사합니다. 이 과정은 통신, 제어 또는 이미지 처리 분야의 향후 연구를 위한 강력한 이론적 기반을 제공하기 위해 응용 프로그램과 독립적으로 진행됩니다. 이 과정은 원래 대학원 수준에서 제공되었으나 2009년에 고급 수준으로 개편되었습니다.
디지털 신호 처리(EPFL), Paolo Prandoni, Martin Vetterli
[강의]
4개 과정으로 구성된 이 시리즈에서는 디지털 신호 처리의 기초를 처음부터 배우게 됩니다. 이산시간 신호의 기본 정의부터 시작하여 푸리에 분석, 필터 설계, 샘플링, 보간 및 양자화를 통해 실제 통신 시스템을 자세히 분석할 수 있을 만큼 완벽한 DSP 도구 세트를 구축합니다. 이론과 실제 사이의 격차를 줄이기 위해 실습 예제와 시연이 일상적으로 사용됩니다.
이미지 및 비디오 처리: 화성에서 할리우드까지 병원에 들러(Duke University), Guillermo Sapiro 교수
[강좌] [유튜브]
이 과정에서는 디지털 이미지와 비디오가 어떻게 만들어지고, 변경되고, 저장되고, 사용되는지에 대한 과학을 배우게 됩니다. 우리는 컴퓨터와 디지털 카메라가 이미지를 형성하는 방법부터 할리우드 영화에 디지털 특수 효과가 사용되는 방법, 화성 탐사선이 수백만 마일의 우주에 사진을 보낼 수 있었던 방법에 이르기까지 디지털 이미징의 광대한 세계를 살펴볼 것입니다.
이 과정은 인간의 시각 시스템이 어떻게 작동하는지 살펴보는 것으로 시작하여 디지털 이미지를 작동시키는 공학, 수학 및 컴퓨터 과학에 대해 가르칩니다. 이미지 조정에 사용되는 기본 알고리즘을 배우고, 비디오 이미지 인코딩 및 압축을 위한 JPEG 및 MPEG 표준을 탐색하고, 계속해서 이미지 분할, 노이즈 제거 및 필터링에 대해 배웁니다. 마지막으로 의학에서 사용되는 이미지 처리 기술로 마무리하겠습니다.
디지털 이미지 처리 소개 ECSE-4540(Renselaer Polytechnic Institute), Richard Radke
[강좌] [유튜브]
분석 및 구현 측면을 모두 다루는 이미지 처리 분야에 대한 소개입니다. 주제에는 인간 시각 시스템, 카메라 및 이미지 형성, 이미지 샘플링 및 양자화, 공간 및 주파수 영역 이미지 향상, 필터 설계, 이미지 복원, 이미지 코딩 및 압축, 형태학적 이미지 처리, 컬러 이미지 처리, 이미지 분할 및 이미지가 포함됩니다. 재건. 소비자 디지털 이미징, 보안 및 감시, 의료 이미지 처리를 통해 얻은 실제 사례와 과제입니다. 이 과정은 광범위한 대학원 이미지 처리 및 컴퓨터 비전 과정을 위한 좋은 기초를 형성합니다.
디지털 이미지 및 비디오 처리 기초(노스웨스턴 대학교), Aggelos K. Katsaggelos 교수
[강의]
본 강좌에서는 이미지 및 비디오 처리의 기초를 다룹니다. 공간적, 시공간적, 주파수 영역에서 이미지와 비디오를 2차원 및 3차원 신호로 설명하고 분석하기 위한 수학적 프레임워크를 제공합니다. 이 수업에서는 이미지/비디오 향상, 복구 및 압축을 포함한 기본 처리 작업에 대한 이론을 배울 뿐만 아니라 최첨단 기술과 도구를 사용하여 이러한 주요 처리 작업을 실제로 수행하는 방법도 배웁니다. . 우리는 최적화 도구 상자부터 통계 기법까지 다양한 도구를 소개하고 사용할 것입니다. 현대 이미지 및 비디오 처리에서 희소성이 수행하는 특별한 역할에 대해서도 강조합니다. 모든 경우에 특정 애플리케이션 도메인과 관련된 예시 이미지와 비디오가 활용됩니다.
이미지 및 다차원 신호 처리 EENG 510(콜로라도 광산 학교), William Hoff
[강좌] [유튜브]
이 과정은 학생들에게 최첨단 이미지와 다차원 신호 처리 기술을 적용할 수 있는 이론적 배경을 제공합니다. 이 과정은 학생들에게 이미지, 비디오 시퀀스, 체적 데이터와 같은 다차원 데이터 처리와 관련된 실제 문제를 해결하도록 가르칩니다. 학생들이 해결해야 할 문제 유형은 다차원 데이터의 자동화된 측정과 다차원 데이터의 복원, 재구성 또는 압축입니다. 이러한 문제를 해결하는 데 사용되는 도구에는 다양한 특징 추출 방법, 필터링 기술, 분할 기술 및 변환 방법이 포함됩니다.
디지털 이미지 처리(IIT Kanpur), PK Biswas 교수
[강좌] [유튜브]
이미지 처리 및 분석 ECS 173(UC Davis), Owen Carmichael 교수
[강좌] [유튜브]
카메라, 3차원 표면 센서, 의료기기에서 생성된 이미지에서 고급 정보를 자동으로 추출하는 기술입니다. 일반적인 응용 분야에는 다양한 유형의 이미지에서 개체를 감지하고 의료 이미지에 나타나는 생물학적 표본 집단을 설명하는 것이 포함됩니다.
디지털 영상 처리 EE225B (UC Berkeley), Avideh Zakhor 교수
[강의]
이 과정에서는 다음 주제를 다룹니다: 2-D 시퀀스 및 시스템, 분리 가능한 시스템, 투영 슬라이스 thm, 투영 및 부분 푸리에 정보로부터 재구성, Z 변환, 다양한 방정식, 재귀 계산 가능성, 2D DFT 및 FFT, 2D FIR 필터 설계 인간의 눈, 지각, 정신물리학적 시력 특성, 측광 및 측색, 광학 및 이미지 시스템; 이미지 향상, 이미지 복원, 기하학적 이미지 수정, 형태학적 이미지 처리, 하프토닝, 에지 검출, 이미지 압축: 스칼라 양자화, 무손실 코딩, 허프만 코딩, 산술 코딩 사전 기술, 파형 및 변환 코딩 DCT, KLT, Hadammad, 다중 해상도 코딩 피라미드, 서브밴드 코딩, 프랙탈 코딩, 벡터 양자화, 모션 추정 및 보상, 표준: JPEG, MPEG, H.xxx, 사전 및 사후 처리, 확장 가능한 이미지 및 비디오 시끄러운 채널을 통한 코딩, 이미지 및 비디오 통신.
디지털영상처리 I EE637 (Purdue University), Charles A. Bouman 교수
[강좌] [유튜브]
향상, 압축, 복원, 재구성 및 분석을 위한 디지털 이미지 처리 기술을 소개합니다. 2D 신호 및 시스템, 이미지 분석, 이미지 분할 등 광범위한 주제를 다루는 강의 및 실험실 실험; 무채색 비전, 컬러 이미지 처리, 컬러 이미징 시스템, 이미지 선명화, 보간, 데시메이션, 선형 및 비선형 필터링, 이미지 인쇄 및 표시; 이미지 압축, 이미지 복원 및 단층 촬영.
정량적 빅 이미징: 이미지에서 통계까지(ETH Zurich), KS Mader, M. Stampanoni
[강좌] [유튜브] [GitHub]
강의는 이미징 데이터에서 강력하고 정량적인 측정 항목을 추출하는 어려운 작업에 중점을 두고 있으며 순수 신호 처리와 이미징 실험 과학 사이의 격차를 해소하기 위한 것입니다. 이 과정에서는 기술, 확장성 및 과학 기반 분석에 중점을 둡니다.
컴퓨터 비전의 첫 번째 원리, Shree Nayar
[웹사이트] [유튜브]
컴퓨터 비전의 첫 번째 원리는 컬럼비아 대학교 공학 및 응용과학부 컴퓨터 과학부 교수인 Shree Nayar가 진행하는 강의 시리즈입니다. Computer Vision은 "보는" 기계를 만드는 기업입니다. 이 시리즈는 비전의 물리적, 수학적 기초에 중점을 두고 있으며 컴퓨터 비전에 대한 사전 지식이 없는 학생, 실무자 및 매니아를 위해 설계되었습니다.
컴퓨터 비전 CAP5415(UCF), Mubarak Shah 박사
[2012과정] [2014과정] [유튜브 2012] [유튜브 2014]
본 과정은 입문 수준입니다. 컴퓨터 비전의 기본 주제를 다루고 컴퓨터 비전 연구에 대한 몇 가지 기본 접근 방식을 소개합니다.
컴퓨터 비전 CS-6476 소개(Georgia Tech)
[코스] [유다시티]
컴퓨터 비전 EENG 512(콜로라도 광산 학교), William Hoff
[유튜브]
이 과정에서는 이미지 형성 및 낮은 수준의 이미지 처리부터 시작하여 이 분야에 대한 개요를 제공합니다. 그런 다음 이미지에서 특징을 추출하고, 모양과 위치를 측정하고, 객체를 인식하는 이론과 기술을 자세히 설명합니다.
3D Computer Vision CS4277/CS5477 (싱가포르국립대학교) 이김희
[유튜브]
코로나19로 인해 NUS에서 온라인 학습을 위해 녹화한 3D 컴퓨터 비전 입문 강좌입니다. 다루는 주제는 다음과 같습니다. 강의 1: 2D 및 1D 투영 기하학. 강의 2: 강체 운동과 3D 투영 기하학. 강의 3: 원형 점과 절대 원뿔형. 강의 4: 강력한 호모그래피 추정. 강의 5: 카메라 모델 및 교정. 강의 6: 단일 뷰 계측. 강의 7: 기본적이고 필수적인 매트릭스. 강의 8: 점이나 선을 이용한 절대 자세 추정. 강의 9: 점 및/또는 선으로 보는 3개 뷰 기하학. 강의 10: SfM(Structure-from-Motion) 및 번들 조정. 강의 11: 투뷰 및 멀티뷰 스테레오. 강의 12: 일반화된 카메라. 강의 13: 자동 교정.
컴퓨터 비전의 다중 뷰 기하학(IT Sligo), Sean Mullery
[유튜브]
컴퓨터 비전(IIT Kanpur), Jayanta Mukhopadhyay 교수
[강의]
이 과정에서는 이미징 기하학과 장면 이해와 관련된 이론과 계산을 포괄적으로 다룹니다. 또한 이 영역에 적용되는 클러스터링, 분류 및 딥러닝 기술에 대한 노출도 제공합니다.
컴퓨터 비전 CS-442(EPFL), 파스칼 푸아
[강의]
학생들은 컴퓨터 비전 분야의 기본 기술을 소개받게 됩니다. 적절한 경우 이미지 처리 기술을 적용하는 방법을 배웁니다. 우리는 표준 비디오 카메라를 사용하여 얻은 흑백 및 컬러 이미지에 중점을 둘 것입니다. 모서리 감지, 분할, 질감 특성화, 모양 인식 등 기본적인 처리 기술을 소개합니다.
컴퓨터 비전 CS 543(일리노이 대학교), Derek Hoiem
[강의] [녹음]
이 과정에서는 단일 뷰 및 다중 뷰 기하학, 조명, 선형 필터, 텍스처, 관심 포인트, 추적, RANSAC, K-평균 클러스터링, 분할, EM 알고리즘 등 컴퓨터 비전의 많은 기본 개념과 알고리즘을 다룹니다. , 인식 등. 숙제에서는 이러한 개념 중 많은 부분을 실제로 적용하게 됩니다. 본 강좌는 설문조사 강좌이므로 어떤 주제에 대해서도 깊이 있게 다루지는 않지만 강좌가 끝나면 추가 비전 관련 조사 및 적용을 준비해야 합니다.
시각 효과를 위한 컴퓨터 비전 ECSE-6969, Richard Radke
[강좌] [유튜브]
이 과정은 광고, 뮤직 비디오 및 영화에서 점점 일반화되고 있는 고급 시각 효과의 기초가 되는 연구 주제를 강조합니다. 주제에는 헐리우드에서 정기적으로 사용되는 고전적인 컴퓨터 비전 알고리즘(예: 블루 스크린 매트, 동작 구조, 광학 흐름 및 특징 추적)과 미래 효과의 기초를 형성하는 흥미로운 최근 개발(예: 자연스러운 이미지 매트, 다중 이미지 합성, 이미지 리타겟팅, 뷰 합성). 또한 모션 캡처 및 3차원 데이터 수집 뒤에 숨겨진 기술에 대해서도 논의합니다. 비하인드 스토리 비디오 분석과 할리우드 시각 효과 아티스트와의 심층 인터뷰를 통해 수학적 개념을 실제 영화 제작과 연결합니다.
이미지 처리 및 컴퓨터 비전(CBCSL), Aleix M. Martinez
[유튜브]
컴퓨터 비전의 고대 비밀(워싱턴 대학교), Joseph Redmon
[강좌] [유튜브]
이 수업은 컴퓨터 비전에 대한 일반적인 소개입니다. 필터링, 가장자리 감지, 스테레오, 흐름 등과 같은 이미지 처리의 표준 기술(구식 비전)과 최신 기계 학습 기반 컴퓨터 비전을 다룹니다.
고급 컴퓨터 비전 CAP6412(UCF), Mubarak Shah 박사
[2019강좌] [유튜브]
이것은 대학원생들을 최첨단 연구에 노출시킬 고급 컴퓨터 비전입니다. 각 수업에서는 현재 연구의 활성 영역, 특히 딥러닝 활용과 관련된 최근 연구 논문 하나에 대해 논의할 것입니다. 컴퓨터 비전은 수십 년 동안 매우 활발한 연구 분야였으며 연구자들은 중요하고 어려운 문제를 해결하기 위해 노력해 왔습니다. 지난 몇 년 동안 인공 신경망과 관련된 딥 러닝은 컴퓨터 비전에 파괴적인 힘을 가져왔습니다. 딥 러닝을 사용하여 어려운 문제를 해결하는 데 매우 짧은 시간 내에 엄청난 진전이 이루어졌으며 이미지 및 비디오 분류, 현지화, 의미론적 분할 등에서 매우 인상적인 결과를 얻었습니다. 새로운 기술, 데이터 세트, 하드웨어 및 소프트웨어 라이브러리가 거의 모든 곳에서 등장하고 있습니다. 낮. 딥 컴퓨터 비전은 로봇 공학, 자연어 이해, 컴퓨터 그래픽, 다중 모드 분석 등의 연구에 영향을 미칩니다.
컴퓨터 비전 I: 변형 방법(TU München), Daniel Cremers 교수
[강좌] [유튜브]
변형 방법은 고차원에서 비용 함수를 최적화하기 위한 가장 고전적인 기술 중 하나입니다. 컴퓨터 비전 및 기타 연구 영역의 많은 과제는 변형 방법으로 공식화될 수 있습니다. 예로는 노이즈 제거, 흐림 제거, 이미지 분할, 추적, 광학 흐름 추정, 스테레오 이미지의 깊이 추정 또는 다중 뷰의 3D 재구성이 포함됩니다.
본 수업에서는 변분법, 오일러-라그랑주 미적분학, 편미분 방정식의 기본 개념을 소개합니다. 각각의 컴퓨터 비전 및 이미지 분석 문제가 어떻게 변형 문제로 분류될 수 있는지, 그리고 이를 효율적으로 해결할 수 있는 방법에 대해 논의하겠습니다. 수업이 끝날 무렵에는 변형 설정에서 최적 또는 최적에 가까운 솔루션을 계산할 수 있는 볼록 공식 및 볼록 이완에 대해 논의하겠습니다.
컴퓨터 비전 II: 다중 뷰 기하학(TU München), Daniel Cremers 교수
[강좌] [유튜브]
강의에서는 영상 형성의 기본 개념인 원근 투영과 카메라 동작을 소개합니다. 목표는 여러 이미지로부터 3차원 세계와 카메라 동작을 재구성하는 것입니다. 이를 위해 다양한 이미지의 점과 모션 및 3D 구조를 계산할 수 있는 각 제약 사항 간의 대응 관계를 결정합니다. 강의에서 특히 강조하는 점은 강체 운동과 원근 투영에 대한 수학적 설명입니다. 카메라 움직임과 3D 기하학을 추정하기 위해 우리는 스펙트럼 방법과 비선형 최적화 방법을 모두 사용할 것입니다.
고급 컴퓨터 비전(CBCSL), Aleix M. Martinez
[유튜브]
컴퓨터 비전 대학원 여름 학교(UCLA IPAM)
[강의]
사진 측량 I & II(본 대학교), Cyrill Stachniss
[강좌] [유튜브]
모바일 감지 및 로봇공학 I(본 대학교), Cyrill Stachniss
[강의]
모바일 감지 및 로봇공학 II(본 대학교), Cyrill Stachniss
[강좌] [유튜브]
로봇 매핑(본 대학교), Cyrill Stachniss
[강좌] [유튜브]
강의에서는 모바일 로봇을 이용한 환경 모델링의 맥락에서 다양한 주제와 기술을 다룰 것입니다. 칼만 필터, 정보 필터, 입자 필터 제품군을 사용한 SLAM과 같은 기술을 다룰 것입니다. 또한 그래프 기반 접근 방식, 최소 제곱 오류 최소화, 장소 인식 및 모양 기반 매핑 기술, 데이터 연관을 조사합니다.
생체인식학(IIT Kanpur), Phalguni Gupta 교수
[강좌] [유튜브]
생체 특성 및 그 목적, 이미지 처리 기초, 기본 이미지 작업, 필터링, 향상, 선명화, 가장자리 감지, 매끄럽게 하기, 향상, 임계값 지정, 위치화에 대한 소개. 푸리에 급수, DFT, DFT의 역. 생체 인식 시스템, 식별 및 검증. FAR/FRR, 시스템 설계 문제. 긍정적/부정적 식별. 생체 인식 시스템 보안, 인증 프로토콜, 매칭 점수 분포, ROC 곡선, DET 곡선, FAR/FRR 곡선. 예상되는 전반적인 오류, EER, 생체 인식 관련 신화 및 허위 진술. 적합한 생체 인식 선택. 생체인식 속성, Zephyr 차트, 다중 생체인식 유형. 다중 모델 시스템 검증, 정규화 전략, 융합 방법, 다중 모델 식별. 생체 인식 시스템 보안, 생체 인식 시스템 취약점, 우회, 은밀한 획득, 품질 관리, 템플릿 생성, 상호 운용성, 데이터 저장. 인식 시스템: 얼굴, 서명, 지문, 귀, 홍채 등
시각적 인식을 위한 CS231n 컨벌루션 신경망(스탠포드)
[강좌] [유튜브]
이 과정은 이러한 작업, 특히 이미지 분류를 위한 엔드투엔드 모델 학습에 중점을 두고 딥 러닝 아키텍처에 대한 세부 사항을 심층적으로 다룹니다. 10주 과정 동안 학생들은 자신의 신경망을 구현, 훈련 및 디버깅하는 방법을 배우고 컴퓨터 비전 분야의 최첨단 연구에 대해 자세히 이해하게 됩니다. 최종 과제에는 수백만 매개변수의 컨벌루션 신경망을 훈련하고 이를 가장 큰 이미지 분류 데이터세트(ImageNet)에 적용하는 작업이 포함됩니다. 우리는 이미지 인식 문제 설정 방법, 학습 알고리즘(예: 역전파), 네트워크 훈련 및 미세 조정을 위한 실용적인 엔지니어링 요령을 가르치는 데 중점을 두고 실습 과제와 최종 과정 프로젝트를 통해 학생들을 안내할 것입니다. 이 과정의 배경과 자료의 대부분은 ImageNet Challenge에서 가져온 것입니다.
컴퓨터 비전을 위한 딥 러닝(미시간 대학교), Justin Johnson
[강의]
이 과정은 컴퓨터 비전을 위한 신경망 기반 딥러닝 방법에 대해 자세히 설명합니다. 이 과정에서 학생들은 자신의 신경망을 구현, 훈련 및 디버그하는 방법을 배우고 컴퓨터 비전 분야의 최첨단 연구에 대해 자세히 이해하게 됩니다. 학습 알고리즘, 신경망 아키텍처, 시각적 인식 작업을 위한 네트워크 미세 조정 및 훈련을 위한 실용적인 엔지니어링 요령을 다룹니다.
컨볼루셔널 신경망, Andrew Ng 교수
[강의]
본 과정에서는 컨볼루션 신경망을 구축하고 이를 이미지 데이터에 적용하는 방법을 설명합니다. 딥 러닝 덕분에 컴퓨터 비전은 불과 2년 전보다 훨씬 더 잘 작동하고 있으며, 이로 인해 안전한 자율 주행부터 정확한 얼굴 인식, 방사선 이미지 자동 판독에 이르기까지 수많은 흥미로운 응용 프로그램이 가능해졌습니다.
컨벌루션 네트워크, Ian Goodfellow
[유튜브]
감각 시스템 9.04(MIT), Peter H. Schiller 교수, M. Christian Brown 교수
[강좌] [유튜브]
이 과정은 감각 지각의 신경 기반을 조사합니다. 포유류의 신경계에 대한 생리학적, 해부학적 연구뿐만 아니라 동물과 인간의 행동 연구에도 중점을 두고 있습니다. 주제에는 시각적 패턴, 색상 및 깊이 인식, 청각 반응 및 소리 위치 파악, 체성 감각 인식이 포함됩니다.
시각적 인식과 뇌(Duke University), Dale Purves
[강의]
학습자들은 지각을 지침으로 삼아 시각이 직면하는 문제를 소개받게 됩니다. 이 과정에서는 우리가 보는 것이 시각 시스템에 의해 어떻게 생성되는지, 시각의 핵심 문제는 무엇인지, 뇌의 작동 방식에 대해 시각적 인식이 나타내는 것은 무엇인지 고려할 것입니다. 증거는 신경 과학, 심리학, 시각 과학의 역사 및 철학이 기여한 것에서 도출됩니다. 토론은 시각 시스템의 해부학과 생리학을 바탕으로 이루어지지만 초점은 인식에 맞춰져 있습니다. 우리는 물리적 세계를 이상한 방식으로 보고 있으며, 목표는 그 이유를 이해하는 것입니다.
높은 수준의 시력(CBCSL)
[유튜브]
Machine Learning CS229 (Stanford), Andrew Ng 교수
[강좌] [유튜브]
이 과정에서는 기계 학습 및 통계적 패턴 인식에 대한 광범위한 소개를 제공합니다. 주제는 다음과 같습니다: 지도 학습(생성적/차별적 학습, 매개변수적/비모수적 학습, 신경망, 지원 벡터 머신); 비지도 학습(클러스터링, 차원 축소, 커널 방법); 학습 이론(편향/분산 균형, VC 이론, 큰 마진); 강화 학습 및 적응 제어. 또한 이 과정에서는 로봇 제어, 데이터 마이닝, 자율 항법, 생물정보학, 음성 인식, 텍스트 및 웹 데이터 처리와 같은 기계 학습의 최근 적용에 대해서도 논의합니다.
기계 학습 CS156(Caltech), Yaser Abu-Mostafa 교수
[강좌] [유튜브]
Caltech 교수 Yaser Abu-Mostafa의 기계 학습 입문 과정으로 기본 이론, 알고리즘 및 응용을 다룹니다. 머신러닝(ML)을 통해 컴퓨팅 시스템은 관찰된 데이터에서 축적된 경험을 통해 적응적으로 성능을 향상할 수 있습니다. ML 기술은 엔지니어링, 과학, 금융, 상업 분야에 널리 적용되어 완전한 수학적 사양이 없는(그리고 많은 시스템을 포괄하는) 시스템을 구축합니다. 이 과정은 이론과 실제의 균형을 맞추고 수학적 측면과 경험적 측면을 다룹니다.
컴퓨터 비전을 위한 기계 학습(하이델베르그 대학교), Fred Hamprecht 교수
[강좌] [유튜브]
이 과정에서는 소위 "구조화된 예측"을 가능하게 하는 고급 기계 학습 방법을 다룹니다. 목표는 중요하지 않은 방식으로 상호 작용하는 여러 예측을 만드는 것입니다. 훈련 중과 테스트 시간 모두에서 이러한 상호 작용을 고려합니다.
로봇 공학 및 컴퓨터 비전을 위한 기계 학습(TU München), Dr. Rudolph Triebel
[강좌] [유튜브]
이 강의에서 학생들은 컴퓨터 비전 및 로봇 공학 응용 분야에서 가장 자주 사용되는 기계 학습 방법을 소개합니다. 강의의 주요 목적은 기존 방법에 대한 광범위한 개요를 얻고, 컴퓨터 비전 및 패턴 인식의 맥락에서 그 동기와 주요 아이디어를 이해하는 것입니다.
지능형 시스템을 위한 기계 학습 CS4780(Cornell), Killian Weiberger 교수
[강좌] [유튜브]
이 과정의 목표는 머신러닝 분야를 소개하는 것입니다. 이 과정에서는 어떤 문제에 어떤 학습 알고리즘을 사용할지 결정하고, 자신만의 학습 알고리즘을 코딩하고, 이를 평가 및 디버그하는 기본 기술을 가르칩니다.
기계 학습 및 패턴 인식(CBCSL) 소개, Aleix M. Martinez
[유튜브]
응용 기계 학습 COMS W4995(컬럼비아), Andreas C. Müller
[강좌] [유튜브]
이 수업에서는 기계 학습 및 데이터 과학에 대한 실습 접근 방식을 제공합니다. 이 수업에서는 데이터 준비, 모델 선택 및 평가를 포함하여 실제 데이터 세트에 SVM, Random Forests, Gradient Boosting 및 신경망과 같은 기계 학습 방법을 적용하는 방법에 대해 논의합니다. 이 클래스는 모든 구현에 대해 scikit-learn 및 텐서 흐름에서 사용 가능한 오픈 소스 구현에 전적으로 의존한다는 점에서 COMS W4721을 보완합니다. 모델 적용 외에도 기계 학습 모델 생산과 관련된 소프트웨어 개발 도구 및 사례에 대해서도 논의합니다.
확률적 및 통계적 기계 학습(튀빙겐 대학교), Philipp Hennig 교수, U. von Luxburg 교수
[강좌] [유튜브]
강의의 초점은 머신러닝의 알고리즘적 측면과 이론적 측면 모두에 있습니다. 우리는 많은 표준 알고리즘을 다루고 좋은 기계 학습 알고리즘을 구축하기 위한 일반 원리와 이론적 결과에 대해 배울 것입니다. 주제는 잘 정립된 결과부터 최근 결과까지 다양합니다.
코더를 위한 기계 학습 소개(fast.ai), Jeremy Howard
[강좌] [유튜브]
Jeremy Howard(2년 연속 Kaggle의 1위 경쟁자이자 Enlitic의 창립자)가 강의합니다. 처음부터 직접 만드는 방법과 데이터 준비, 모델 검증 및 데이터 제품 구축에 대한 주요 기술을 포함하여 가장 중요한 기계 학습 모델을 알아보세요. 수업은 약 24시간이며 약 8시간을 투자해야 합니다. 12주 동안 매주 몇 시간씩 자료를 완성합니다. 이 과정은 데이터 과학 프로그램의 과학 석사 과정을 위해 샌프란시스코 대학교에서 녹음한 수업을 기반으로 합니다. 우리는 귀하가 최소 1년 이상의 코딩 경험이 있고 고등학교 수학에서 배운 내용을 기억하거나 지식을 새롭게 하기 위해 독립적인 학습을 할 준비가 되어 있다고 가정합니다.
기계 학습 소개 ECE 5984(Virginia Tech), Dhruv Batra 교수
[강좌] [유튜브]
딥 러닝 CS230(스탠포드), Andrew Ng 교수, Kian Katanforoosh
[강좌] [유튜브]
딥러닝은 AI 분야에서 가장 많이 찾는 기술 중 하나입니다. 이 과정에서는 딥 러닝의 기초를 배우고, 신경망 구축 방법을 이해하며, 성공적인 머신 러닝 프로젝트를 이끄는 방법을 배웁니다. 컨볼루셔널 네트워크, RNN, LSTM, Adam, Dropout, BatchNorm, Xavier/He 초기화 등에 대해 알아봅니다.
딥 러닝 전문 분야, Andrew Ng 교수, Kian Katanforoosh
[강의]
5개 과정에서 딥 러닝의 기초를 배우고, 신경망 구축 방법을 이해하며, 성공적인 머신 러닝 프로젝트를 이끄는 방법을 배우게 됩니다. 컨볼루셔널 네트워크, RNN, LSTM, Adam, Dropout, BatchNorm, Xavier/He 초기화 등에 대해 알아봅니다. 의료, 자율 주행, 수화 읽기, 음악 생성 및 자연어 처리 분야의 사례 연구를 진행하게 됩니다. 이론뿐만 아니라 그것이 산업에 어떻게 적용되는지도 알게 될 것입니다. 우리가 가르칠 Python과 TensorFlow에서 이러한 모든 아이디어를 연습하게 됩니다.
딥 러닝 EE-559(EPFL), François Fleuret
[강의]
이 과정은 PyTorch 프레임워크의 예를 통해 딥 러닝에 대한 철저한 소개입니다. 머신 러닝 목표 및 주요 과제, 텐서 연산, 자동 미분, 경사하강법, 딥 러닝 특정 기술(배치 놈, 드롭아웃, 잔차 네트워크), 이미지 이해 , 생성 모델, 적대적 생성 모델, 반복 모델, 주의 모델, NLP.
딥 러닝 6.S191(MIT) 소개, Alexander Amini 및 Ava Soleimany
[강좌] [유튜브]
컴퓨터 비전, 자연어 처리, 생물학 등에 적용되는 딥 러닝 방법에 대한 MIT 입문 과정입니다! 학생들은 딥 러닝 알고리즘에 대한 기초 지식을 얻고 TensorFlow에서 신경망 구축에 대한 실질적인 경험을 얻습니다. 과정은 직원과 업계 후원자 패널의 피드백을 바탕으로 프로젝트 제안 경쟁으로 마무리됩니다. 전제 조건은 미적분학(예: 도함수 구하기)과 선형 대수학(예: 행렬 곱셈)을 가정하고 그 과정에서 다른 모든 것을 설명하려고 노력할 것입니다! Python 경험은 도움이 되지만 반드시 필요한 것은 아닙니다.
코더를 위한 실용적인 딥 러닝(fast.ai), Jeremy Howard
[강좌] [유튜브]
fastai 및 PyTorch를 사용한 코더를 위한 딥 러닝: 박사 학위가 필요 없는 AI 애플리케이션.
인식을 위한 딥 러닝 ECE 6504(Virginia Tech), Dhruv Batra 교수
[강좌] [유튜브]
이 과정은 학생들에게 신경망의 기초부터 최신 개발에 이르기까지 최첨단 연구를 접하게 합니다.
딥러닝과 인공지능 강의(MIT)
[강좌] [유튜브]
딥러닝 입문 11-785(Carnegie Mellon University)
[강좌] [유튜브]
본 강좌에서는 심층신경망의 기본 원리와 이를 다양한 AI 작업에 적용하는 방법을 학습합니다. 과정이 끝나면 학생들은 해당 주제에 대해 상당히 친숙해지고 다양한 작업에 딥 러닝을 적용할 수 있을 것으로 기대됩니다. 또한 그들은 해당 주제에 관한 최신 문헌의 상당 부분을 이해하고 추가 연구를 통해 지식을 확장할 수 있는 위치에 있게 됩니다.
컴퓨터 그래픽 CMU 15-462/662(카네기 멜론 대학교)
[웹사이트] [유튜브]
Carnegie Mellon University의 컴퓨터 그래픽 입문 수업을 위한 강의 동영상입니다.
컴퓨터 그래픽(Utrecht University), Wolfgang Huerst
[유튜브]
2012년 4월부터 2012년 6월까지 네덜란드 위트레흐트 대학의 볼프강 허스트(Wolfgang Hürst)가 진행한 컴퓨터 그래픽 입문 강의 녹음본입니다.
컴퓨터 그래픽 ECS175 (UC Davis), Kenneth Joy 교수
[유튜브]
컴퓨터 그래픽(ECS175)은 3차원 컴퓨터 그래픽의 기본 원리를 가르칩니다. 초점은 3차원 공간에서 물체의 위치를 지정하기 위한 기본 수학 기술, 빛이 표면에서 반사되는 방식을 결정하는 데 필요한 기하학적 광학, 컴퓨터 시스템을 활용하는 방법 및 기본 3차원 공간을 생성하는 데 필요한 알고리즘과 기술을 구현하는 방법입니다. 입체적인 일러스트. 세부 주제에는 변형 기하학, 가상 카메라 및 광원 위치 지정, 복잡한 개체의 계층적 모델링, 복잡한 모델 렌더링, 셰이딩 알고리즘, 곡선 개체 렌더링 및 셰이딩 방법 등이 포함됩니다.
컴퓨터 그래픽 CS184(UC Berkeley), Ravi Ramamoorthi
[강의]
본 강좌는 3차원 컴퓨터 그래픽의 기초를 소개합니다. 다루는 주제에는 2D 및 3D 변환, OpenGL을 사용한 대화형 3D 그래픽 프로그래밍, 음영 및 조명 모델, 베지어 및 B-Spline 곡선을 사용한 기하학적 모델링, 광선 추적 및 전역 조명을 포함한 컴퓨터 그래픽 렌더링, 앤티 앨리어싱 및 텍스처 매핑을 위한 신호 처리, 그리고 애니메이션과 역운동학. 완전한 3D 그래픽 프로그램을 작성하는 능력뿐만 아니라 그래픽의 수학적, 기하학적 측면도 강조됩니다.
렌더링 / 광선 추적 과정(TU Wien), Károly Zsolnai-Fehér
[강좌] [유튜브]
이 과정의 목표는 렌더링의 기본 및 최첨단 방법에 대한 개요를 제공하는 것입니다. 광선 및 경로 추적, 광자 매핑 및 기타 여러 알고리즘과 같은 오프라인 방법이 소개되고 다양한 개선이 설명됩니다. 기하학적 광학, 표면, 빛과 카메라 모델과의 미디어 상호 작용 등 관련 물리학의 기본이 설명됩니다. 여러 알고리즘에서 많이 사용되는 몬테카를로 방법의 장치를 소개하고 이를 계층화된 샘플링 형태로 개선한 후 메트로폴리스-헤이스팅스 방법을 설명한다.
