Computer Vision Video Lectures
1.0.0
Uma lista com curadoria de cursos de nível universitário gratuitos e de alta qualidade com palestras em vídeo relacionadas à área de Visão Computacional.
Sinais e Sistemas 6.003 (MIT), Prof.
[Curso]
Sinais e Sistemas 6.003 cobre os fundamentos da análise de sinais e sistemas, com foco em representações de sinais de tempo discreto e de tempo contínuo (funções de singularidade, exponenciais complexas e geométricas, representações de Fourier, transformadas de Laplace e Z, amostragem) e representações de sinais lineares, de tempo -sistemas invariantes (equações diferenciais e diferenciais, diagramas de blocos, funções de sistema, pólos e zeros, convolução, respostas ao impulso e ao degrau, respostas em frequência). As aplicações são amplamente extraídas da engenharia e da física, incluindo feedback e controle, comunicações e processamento de sinais.
Processamento Digital de Sinais ECSE-4530 (Instituto Politécnico Rensselaer), Richard Radke
[Curso] [YouTube]
Este curso fornece um tratamento abrangente da teoria, projeto e implementação de algoritmos de processamento de sinais digitais. Na primeira metade do curso, enfatizamos a análise no domínio da frequência e a transformada Z. Na segunda metade do curso, investigamos tópicos avançados em processamento de sinais, incluindo processamento de sinais multitaxa, projeto de filtros, filtragem adaptativa, projeto de quantizadores e estimativa de espectro de potência. O curso é bastante independente da aplicação, para fornecer uma base teórica sólida para estudos futuros em comunicações, controle ou processamento de imagens. Este curso foi originalmente oferecido em nível de pós-graduação, mas foi reformulado em 2009 para ser de nível sênior.
Processamento Digital de Sinais (EPFL), Paolo Prandoni, Martin Vetterli
[Curso]
Nesta série de quatro cursos, você aprenderá os fundamentos do Processamento Digital de Sinais desde o início. Começando com a definição básica de um sinal de tempo discreto, trabalharemos através da análise de Fourier, projeto de filtros, amostragem, interpolação e quantização para construir um conjunto de ferramentas DSP completo o suficiente para analisar detalhadamente um sistema de comunicação prático. Exemplos práticos e demonstrações serão usados rotineiramente para preencher a lacuna entre teoria e prática.
Processamento de Imagem e Vídeo: De Marte a Hollywood com Parada no Hospital (Duke University), Prof. Guillermo Sapiro
[Curso] [YouTube]
Neste curso, você aprenderá a ciência por trás de como imagens e vídeos digitais são feitos, alterados, armazenados e usados. Iremos olhar para o vasto mundo da imagem digital, desde a forma como os computadores e as câmaras digitais formam imagens, até à forma como os efeitos especiais digitais são utilizados nos filmes de Hollywood, até à forma como o Mars Rover foi capaz de enviar fotografias através de milhões de quilómetros de espaço.
O curso começa examinando como funciona o sistema visual humano e, em seguida, ensina sobre engenharia, matemática e ciência da computação que fazem as imagens digitais funcionarem. Você aprenderá os algoritmos básicos usados para ajustar imagens, explorará os padrões JPEG e MPEG para codificação e compactação de imagens de vídeo e aprenderá sobre segmentação de imagens, remoção de ruído e filtragem. Por fim, finalizaremos com as técnicas de processamento de imagens utilizadas na medicina.
Introdução ao Processamento Digital de Imagens ECSE-4540 (Rensselaer Polytechnic Institute), Richard Radke
[Curso] [YouTube]
Uma introdução ao campo do processamento de imagens, abrangendo aspectos analíticos e de implementação. Os tópicos incluem o sistema visual humano, câmeras e formação de imagens, amostragem e quantização de imagens, aprimoramento de imagens no domínio espacial e de frequência, design de filtros, restauração de imagens, codificação e compressão de imagens, processamento morfológico de imagens, processamento de imagens coloridas, segmentação de imagens e imagem reconstrução. Exemplos e tarefas do mundo real extraídos de imagens digitais de consumo, segurança e vigilância e processamento de imagens médicas. Este curso constitui uma boa base para nossos extensos cursos de pós-graduação em processamento de imagens e visão computacional.
Fundamentos de Processamento Digital de Imagem e Vídeo (Northwestern University), Prof. Aggelos K. Katsaggelos
[Curso]
Este curso cobrirá os fundamentos do processamento de imagem e vídeo. Forneceremos uma estrutura matemática para descrever e analisar imagens e vídeos como sinais bidimensionais e tridimensionais nos domínios espacial, espaço-temporal e de frequência. Nesta aula, você não apenas aprenderá a teoria por trás das tarefas fundamentais de processamento, incluindo aprimoramento, recuperação e compactação de imagem/vídeo - mas também aprenderá como executar essas principais tarefas de processamento na prática, usando técnicas e ferramentas de última geração. . Apresentaremos e usaremos uma ampla variedade dessas ferramentas – desde caixas de ferramentas de otimização até técnicas estatísticas. Também será dada ênfase ao papel especial que a dispersão desempenha no processamento moderno de imagens e vídeos. Em todos os casos, serão utilizados exemplos de imagens e vídeos pertencentes a domínios de aplicação específicos.
Processamento de Imagens e Sinais Multidimensionais EENG 510 (Escola de Minas do Colorado), William Hoff
[Curso] [YouTube]
Este curso fornece ao aluno a base teórica que lhe permite aplicar imagens de última geração e técnicas de processamento de sinais multidimensionais. O curso ensina os alunos a resolver problemas práticos envolvendo o processamento de dados multidimensionais, como imagens, sequências de vídeo e dados volumétricos. Os tipos de problemas que se espera que os alunos resolvam são a medição automatizada de dados multidimensionais e a restauração, reconstrução ou compressão de dados multidimensionais. As ferramentas usadas na solução desses problemas incluem uma variedade de métodos de extração de características, técnicas de filtragem, técnicas de segmentação e métodos de transformação.
Processamento Digital de Imagens (IIT Kanpur), Prof.
[Curso] [YouTube]
Processamento e análise de imagens ECS 173 (UC Davis), Prof.
[Curso] [YouTube]
Técnicas para extração automatizada de informações de alto nível a partir de imagens geradas por câmeras, sensores tridimensionais de superfície e dispositivos médicos. As aplicações típicas incluem a detecção de objetos em vários tipos de imagens e a descrição de populações de espécimes biológicos que aparecem em imagens médicas.
Processamento Digital de Imagens EE225B (UC Berkeley), Prof.
[Curso]
Este curso cobre os seguintes tópicos: sequências e sistemas 2-D, sistemas separáveis, fatia de projeção, reconstrução a partir de projeções e informações parciais de Fourier, transformada Z, equações diferentes, computabilidade recursiva, DFT e FFT 2D, projeto de filtro FIR 2D; olho humano, percepção, propriedades psicofísicas da visão, fotometria e colorimetria, óptica e sistemas de imagem; aprimoramento de imagem, restauração de imagem, modificação geométrica de imagem, processamento morfológico de imagem, meio-tom, detecção de borda, compressão de imagem: quantização escalar, codificação sem perdas, codificação huffman, técnicas de dicionário de codificação aritmética, codificação de forma de onda e transformação DCT, KLT, Hadamard, pirâmide de codificação multirresolução, codificação de sub-banda, codificação fractal, quantização vetorial, estimativa e compensação de movimento, padrões: JPEG, MPEG, H.xxx, pré e pós-processamento, codificação escalável de imagem e vídeo, comunicação de imagem e vídeo em canais ruidosos.
Processamento Digital de Imagens I EE637 (Purdue University), Prof. Charles A. Bouman
[Curso] [YouTube]
Introdução às técnicas de processamento digital de imagens para aprimoramento, compressão, restauração, reconstrução e análise. Palestras e experimentos de laboratório cobrindo uma ampla gama de tópicos, incluindo sinais e sistemas 2-D, análise de imagens, segmentação de imagens; visão acromática, processamento de imagens coloridas, sistemas de imagens coloridas, nitidez de imagens, interpolação, dizimação, filtragem linear e não linear, impressão e exibição de imagens; compressão de imagem, restauração de imagem e tomografia.
Big Imaging Quantitativo: Das Imagens às Estatísticas (ETH Zurique), KS Mader, M. Stampanoni
[Curso] [YouTube] [GitHub]
A palestra se concentra na desafiadora tarefa de extrair métricas quantitativas robustas de dados de imagem e tem como objetivo preencher a lacuna entre o processamento de sinal puro e a ciência experimental da imagem. O curso se concentrará em técnicas, escalabilidade e análise baseada na ciência.
Primeiros Princípios de Visão Computacional, Shree Nayar
[Site] [YouTube]
Primeiros Princípios de Visão Computacional é uma série de palestras apresentadas por Shree Nayar, professor do Departamento de Ciência da Computação da Escola de Engenharia e Ciências Aplicadas da Universidade de Columbia. Visão Computacional é a empresa de construção de máquinas que “vêem”. Esta série concentra-se nos fundamentos físicos e matemáticos da visão e foi projetada para estudantes, profissionais e entusiastas que não têm conhecimento prévio de visão computacional.
Visão Computacional CAP5415 (UCF), Dr.
[Curso 2012] [Curso 2014] [YouTube 2012] [YouTube 2014]
O curso é de nível introdutório. Ele cobrirá os tópicos básicos da visão computacional e apresentará algumas abordagens fundamentais para a pesquisa em visão computacional.
Introdução à Visão Computacional CS-6476 (Georgia Tech)
[Curso] [Udacidade]
Visão Computacional EENG 512 (Escola de Minas do Colorado), William Hoff
[YouTube]
Este curso fornece uma visão geral deste campo, começando com a formação de imagens e processamento de imagens de baixo nível. Em seguida, detalharemos a teoria e as técnicas para extrair características de imagens, medir forma e localização e reconhecer objetos.
Visão Computacional 3D CS4277/CS5477 (Universidade Nacional de Cingapura), Gim Hee Lee
[YouTube]
Este é um curso introdutório à Visão Computacional 3D que foi gravado para aprendizagem online na NUS devido ao COVID-19. Os tópicos abordados incluem: Aula 1: Geometria projetiva 2D e 1D. Aula 2: Movimento de corpo rígido e geometria projetiva 3D. Aula 3: Pontos circulares e cônica absoluta. Aula 4: Estimativa robusta de homografia. Aula 5: Modelos e calibração de câmeras. Aula 6: Metrologia de visão única. Aula 7: As matrizes fundamentais e essenciais. Aula 8: Estimativa de pose absoluta a partir de pontos ou linhas. Aula 9: Geometria de três vistas a partir de pontos e/ou retas. Aula 10: Estrutura do Movimento (SfM) e ajuste do pacote. Aula 11: Estéreo de duas visualizações e multivisualização. Aula 12: Câmeras generalizadas. Aula 13: Auto-Calibração.
Geometria de múltiplas visualizações em visão computacional (IT Sligo), Sean Mullery
[YouTube]
Visão Computacional (IIT Kanpur), Prof.
[Curso]
O curso terá uma cobertura abrangente de teoria e computação relacionada à geometria de imagens e compreensão de cena. Também proporcionará exposição a técnicas de clustering, classificação e aprendizagem profunda aplicadas nesta área.
Visão Computacional CS-442 (EPFL), Pascal Fua
[Curso]
Os alunos serão apresentados às técnicas básicas da área de Visão Computacional. Eles aprenderão a aplicar técnicas de processamento de imagens quando apropriado. Vamos nos concentrar nas imagens em preto e branco e coloridas adquiridas com câmeras de vídeo padrão. Apresentaremos técnicas básicas de processamento, como detecção de bordas, segmentação, caracterização de textura e reconhecimento de forma.
Visão Computacional CS 543 (Universidade de Illinois), Derek Hoiem
[Curso] [Gravações]
Neste curso, cobriremos muitos dos conceitos básicos e algoritmos de visão computacional: geometria de visualização única e multivisualização, iluminação, filtros lineares, textura, pontos de interesse, rastreamento, RANSAC, agrupamento K-means, segmentação, algoritmo EM , reconhecimento e assim por diante. Nas tarefas de casa você colocará em prática muitos desses conceitos. Como este é um curso de pesquisa, não nos aprofundaremos em nenhum tópico, mas no final do curso, você deverá estar preparado para qualquer investigação e aplicação adicional relacionada à visão.
Visão Computacional para Efeitos Visuais ECSE-6969, Richard Radke
[Curso] [YouTube]
Este curso enfatiza tópicos de pesquisa subjacentes aos efeitos visuais avançados que estão se tornando cada vez mais comuns em comerciais, vídeos musicais e filmes. Os tópicos incluem algoritmos clássicos de visão computacional usados regularmente em Hollywood (como fosqueamento de tela azul, estrutura de movimento, fluxo óptico e rastreamento de recursos) e desenvolvimentos recentes interessantes que formam a base para efeitos futuros (como fosqueamento de imagem natural, composição de múltiplas imagens, redirecionamento de imagens e síntese de visualização). Também discutimos as tecnologias por trás da captura de movimento e aquisição de dados tridimensionais. A análise de vídeos de bastidores e entrevistas aprofundadas com artistas de efeitos visuais de Hollywood vinculam os conceitos matemáticos à produção cinematográfica do mundo real.
Processamento de imagens e visão computacional (CBCSL), Aleix M. Martinez
[YouTube]
Os antigos segredos da visão computacional (Universidade de Washington), Joseph Redmon
[Curso] [YouTube]
Esta aula é uma introdução geral à visão computacional. Abrange técnicas padrão de processamento de imagens, como filtragem, detecção de bordas, estéreo, fluxo, etc. (visão tradicional), bem como visão computacional mais recente baseada em aprendizado de máquina.
Visão Computacional Avançada CAP6412 (UCF), Dr.
[Curso 2019] [YouTube]
Esta é uma Visão Computacional Avançada que irá expor os alunos de pós-graduação a pesquisas de ponta. Em cada aula discutiremos um artigo de pesquisa recente relacionado a áreas ativas de pesquisa atual, em particular empregando Deep Learning. A visão computacional tem sido uma área de pesquisa muito ativa há muitas décadas e os pesquisadores têm trabalhado na solução de problemas desafiadores importantes. Durante os últimos anos, o Deep Learning envolvendo Redes Neurais Artificiais tem sido uma força disruptiva na visão computacional. Empregando aprendizagem profunda, um tremendo progresso foi feito em muito pouco tempo na resolução de problemas difíceis e resultados muito impressionantes foram obtidos na classificação de imagens e vídeos, localização, segmentação semântica, etc. Novas técnicas, conjuntos de dados, bibliotecas de hardware e software estão surgindo quase todos os dias. dia. A visão computacional profunda está impactando a pesquisa em robótica, compreensão de linguagem natural, computação gráfica, análise multimodal, etc.
Visão Computacional I: Métodos Variacionais (TU München), Prof. Daniel Cremers
[Curso] [YouTube]
Os Métodos Variacionais estão entre as técnicas mais clássicas para otimização de funções de custo em dimensões superiores. Muitos desafios em Visão Computacional e em outros domínios de pesquisa podem ser formulados como métodos variacionais. Os exemplos incluem remoção de ruído, desfoque, segmentação de imagem, rastreamento, estimativa de fluxo óptico, estimativa de profundidade a partir de imagens estéreo ou reconstrução 3D a partir de múltiplas visualizações.
Nesta aula apresentarei os conceitos básicos de métodos variacionais, cálculo de Euler-Lagrange e equações diferenciais parciais. Discutirei como os respectivos desafios de visão computacional e análise de imagens podem ser considerados problemas variacionais e como podem ser resolvidos de forma eficiente. No final da aula, discutirei formulações convexas e relaxações convexas que permitem calcular soluções ótimas ou quase ótimas no cenário variacional.
Visão Computacional II: Geometria de Múltiplas Vistas (TU München), Prof.
[Curso] [YouTube]
A palestra apresenta os conceitos básicos de formação de imagens - projeção em perspectiva e movimento de câmera. O objetivo é reconstruir o mundo tridimensional e o movimento da câmera a partir de múltiplas imagens. Para tal, determinam-se correspondências entre pontos em diversas imagens e respetivas restrições que permitem calcular o movimento e a estrutura 3D. Uma ênfase particular da palestra está nas descrições matemáticas do movimento do corpo rígido e da projeção em perspectiva. Para estimar o movimento da câmera e a geometria 3D, usaremos métodos espectrais e métodos de otimização não linear.
Visão Computacional Avançada (CBCSL), Aleix M. Martinez
[YouTube]
Escola de Pós-Graduação em Visão Computacional (IPAM na UCLA)
[Curso]
Fotogrametria I e II (Universidade de Bonn), Cyrill Stachniss
[Curso] [YouTube]
Sensoriamento Móvel e Robótica I (Universidade de Bonn), Cyrill Stachniss
[Curso]
Sensoriamento Móvel e Robótica II (Universidade de Bonn), Cyrill Stachniss
[Curso] [YouTube]
Mapeamento de Robôs (Universidade de Bonn), Cyrill Stachniss
[Curso] [YouTube]
A palestra abordará diferentes temas e técnicas no contexto da modelagem de ambientes com robôs móveis. Abordaremos técnicas como SLAM com a família de filtros de Kalman, filtros de informação, filtros de partículas. Além disso, investigaremos abordagens baseadas em gráficos, minimização de erros por mínimos quadrados, técnicas para reconhecimento de locais e mapeamento baseado em aparência e associação de dados.
Biometria (IIT Kanpur), Prof. Phalguni Gupta
[Curso] [YouTube]
Introdução de características biométricas e seu objetivo, noções básicas de processamento de imagem, operações básicas de imagem, filtragem, aprimoramento, nitidez, detecção de bordas, suavização, aprimoramento, limiar, localização. Série de Fourier, DFT, inverso de DFT. Sistema biométrico, identificação e verificação. FAR/FRR, problemas de design do sistema. Identificação positiva/negativa. Segurança do sistema biométrico, protocolos de autenticação, distribuição de pontuação correspondente, curva ROC, curva DET, curva FAR/FRR. Erro geral esperado, EER, mitos biométricos e deturpações. Seleção de biometria adequada. Atributos biométricos, gráficos Zephyr, tipos de multibiometria. Verificação em sistema multimodelo, estratégia de normalização, métodos de fusão, identificação multimodelo. Segurança do sistema biométrico, vulnerabilidades do sistema biométrico, evasão, aquisição secreta, controle de qualidade, geração de modelos, interoperabilidade, armazenamento de dados. Sistemas de reconhecimento: Rosto, Assinatura, Impressão Digital, Orelha, Íris etc.
Redes Neurais Convolucionais CS231n para Reconhecimento Visual (Stanford)
[Curso] [YouTube]
Este curso é um mergulho profundo nos detalhes das arquiteturas de aprendizagem profunda com foco no aprendizado de modelos ponta a ponta para essas tarefas, especialmente classificação de imagens. Durante o curso de 10 semanas, os alunos aprenderão a implementar, treinar e depurar suas próprias redes neurais e obter uma compreensão detalhada das pesquisas de ponta em visão computacional. A tarefa final envolverá o treinamento de uma rede neural convolucional multimilionária e sua aplicação no maior conjunto de dados de classificação de imagens (ImageNet). Vamos nos concentrar em ensinar como configurar o problema de reconhecimento de imagem, os algoritmos de aprendizagem (por exemplo, retropropagação), truques práticos de engenharia para treinar e ajustar as redes e orientar os alunos através de tarefas práticas e um projeto final de curso. Grande parte da base e dos materiais deste curso serão extraídos do Desafio ImageNet.
Aprendizado profundo para visão computacional (Universidade de Michigan), Justin Johnson
[Curso]
Este curso é um mergulho profundo nos detalhes dos métodos de aprendizagem profunda baseados em redes neurais para visão computacional. Durante este curso, os alunos aprenderão a implementar, treinar e depurar suas próprias redes neurais e obter uma compreensão detalhada das pesquisas de ponta em visão computacional. Abordaremos algoritmos de aprendizagem, arquiteturas de redes neurais e truques práticos de engenharia para treinamento e ajuste fino de redes para tarefas de reconhecimento visual.
Redes Neurais Convolucionais, Prof. Andrew Ng
[Curso]
Este curso ensinará como construir redes neurais convolucionais e aplicá-las a dados de imagem. Graças à aprendizagem profunda, a visão computacional está a funcionar muito melhor do que há apenas dois anos, e isto está a permitir inúmeras aplicações interessantes, desde a condução autónoma segura ao reconhecimento facial preciso e à leitura automática de imagens radiológicas.
Redes Convolucionais, Ian Goodfellow
[YouTube]
Sistemas Sensoriais 9.04 (MIT), Prof. Peter H. Schiller, Prof.
[Curso] [YouTube]
Este curso examina as bases neurais da percepção sensorial. O foco está em estudos fisiológicos e anatômicos do sistema nervoso de mamíferos, bem como em estudos comportamentais de animais e humanos. Os tópicos incluem padrão visual, percepção de cor e profundidade, respostas auditivas e localização sonora e percepção somatossensorial.
Percepção Visual e o Cérebro (Duke University), Dale Purves
[Curso]
Os alunos serão apresentados aos problemas que a visão enfrenta, usando a percepção como guia. O curso considerará como o que vemos é gerado pelo sistema visual, qual é o problema central da visão e o que a percepção visual indica sobre como o cérebro funciona. As evidências serão extraídas da neurociência, da psicologia, da história da ciência da visão e das contribuições da filosofia. Embora as discussões sejam informadas pela anatomia e fisiologia do sistema visual, o foco está na percepção. Vemos o mundo físico de uma forma estranha e o objetivo é entender o porquê.
Visão de Alto Nível (CBCSL)
[YouTube]
Aprendizado de máquina CS229 (Stanford), Prof.
[Curso] [YouTube]
Este curso fornece uma ampla introdução ao aprendizado de máquina e ao reconhecimento de padrões estatísticos. Os tópicos incluem: aprendizagem supervisionada (aprendizagem generativa/discriminativa, aprendizagem paramétrica/não paramétrica, redes neurais, máquinas de vetores de suporte); aprendizagem não supervisionada (clustering, redução de dimensionalidade, métodos kernel); teoria da aprendizagem (compensações de viés/variância; teoria VC; grandes margens); aprendizagem por reforço e controle adaptativo. O curso também discutirá aplicações recentes de aprendizado de máquina, como controle robótico, mineração de dados, navegação autônoma, bioinformática, reconhecimento de fala e processamento de texto e dados da web.
Aprendizado de Máquina CS156 (Caltech), Prof.
[Curso] [YouTube]
Este é um curso introdutório do professor da Caltech Yaser Abu-Mostafa sobre aprendizado de máquina que cobre a teoria básica, algoritmos e aplicações. O aprendizado de máquina (ML) permite que sistemas computacionais melhorem seu desempenho de forma adaptativa com a experiência acumulada a partir dos dados observados. As técnicas de ML são amplamente aplicadas em engenharia, ciência, finanças e comércio para construir sistemas para os quais não temos especificações matemáticas completas (e isso abrange muitos sistemas). O curso equilibra teoria e prática e cobre os aspectos matemáticos e heurísticos.
Aprendizado de máquina para visão computacional (Universidade de Heidelberg), Prof. Fred Hamprecht
[Curso] [YouTube]
Este curso cobre métodos avançados de aprendizado de máquina que permitem a chamada "previsão estruturada". O objetivo é fazer múltiplas previsões que interajam de uma forma não trivial; e levamos essas interações em consideração tanto durante o treinamento quanto na hora do teste.
Aprendizado de máquina para robótica e visão computacional (TU München), Dr. Rudolph Triebel
[Curso] [YouTube]
Nesta palestra, os alunos serão apresentados aos métodos de aprendizado de máquina mais usados em aplicações de visão computacional e robótica. O principal objetivo da palestra é obter uma visão ampla dos métodos existentes e compreender as suas motivações e ideias principais no contexto da visão computacional e do reconhecimento de padrões.
Aprendizado de máquina para sistemas inteligentes CS4780 (Cornell), Prof. Killian Weiberger
[Curso] [YouTube]
O objetivo deste curso é dar uma introdução ao campo de aprendizado de máquina. O curso ensinará habilidades básicas para decidir qual algoritmo de aprendizagem usar para qual problema, codificar seu próprio algoritmo de aprendizagem, avaliá-lo e depurá-lo.
Introdução ao aprendizado de máquina e reconhecimento de padrões (CBCSL), Aleix M. Martinez
[YouTube]
Aprendizado de máquina aplicado COMS W4995 (Columbia), Andreas C. Müller
[Curso] [YouTube]
Esta aula oferece uma abordagem prática de aprendizado de máquina e ciência de dados. A aula discute a aplicação de métodos de aprendizado de máquina como SVMs, Random Forests, Gradient Boosting e redes neurais em conjuntos de dados do mundo real, incluindo preparação de dados, seleção de modelos e avaliação. Esta classe complementa o COMS W4721, pois depende inteiramente de implementações de código aberto disponíveis no scikit-learn e fluxo tensor para todas as implementações. Além da aplicação de modelos, também discutiremos ferramentas e práticas de desenvolvimento de software relevantes para a produção de modelos de aprendizado de máquina.
Aprendizado de máquina probabilístico e estatístico (Universidade de Tübingen), Prof. Philipp Hennig, Prof.
[Curso] [YouTube]
O foco da palestra está nos aspectos algorítmicos e teóricos do aprendizado de máquina. Abordaremos muitos dos algoritmos padrão e aprenderemos sobre os princípios gerais e resultados teóricos para a construção de bons algoritmos de aprendizado de máquina. Os tópicos variam de resultados bem estabelecidos a resultados muito recentes.
Introdução ao aprendizado de máquina para programadores (fast.ai), Jeremy Howard
[Curso] [YouTube]
Ministrado por Jeremy Howard (concorrente nº 1 de Kaggle por 2 anos consecutivos e fundador da Enlitic). Aprenda os modelos de aprendizado de máquina mais importantes, incluindo como criá-los do zero, bem como habilidades essenciais em preparação de dados, validação de modelo e construção de produtos de dados. São cerca de 24 horas de aulas e você deve planejar gastar cerca de 8 horas por semana durante 12 semanas para completar o material. O curso é baseado em aulas gravadas na Universidade de São Francisco para o programa de Mestrado em Ciência de Dados. Presumimos que você tenha pelo menos um ano de experiência em codificação e se lembre do que aprendeu em matemática no ensino médio ou esteja preparado para fazer algum estudo independente para atualizar seus conhecimentos.
Introdução ao aprendizado de máquina ECE 5984 (Virginia Tech), Prof.
[Curso] [YouTube]
Deep Learning CS230 (Stanford), Prof.
[Curso] [YouTube]
Deep Learning é uma das habilidades mais procuradas em IA. Neste curso, você aprenderá os fundamentos do Deep Learning, entenderá como construir redes neurais e aprenderá como liderar projetos de aprendizado de máquina bem-sucedidos. Você aprenderá sobre redes convolucionais, RNNs, LSTM, Adam, Dropout, BatchNorm, inicialização Xavier/He e muito mais.
Especialização em Aprendizado Profundo, Prof. Andrew Ng, Kian Katanforoosh
[Curso]
Em cinco cursos, você aprenderá os fundamentos do Deep Learning, entenderá como construir redes neurais e aprenderá como liderar projetos de aprendizado de máquina bem-sucedidos. Você aprenderá sobre redes convolucionais, RNNs, LSTM, Adam, Dropout, BatchNorm, inicialização Xavier/He e muito mais. Você trabalhará em estudos de caso de saúde, direção autônoma, leitura de linguagem de sinais, geração de música e processamento de linguagem natural. Você dominará não apenas a teoria, mas também verá como ela é aplicada na indústria. Você praticará todas essas ideias em Python e no TensorFlow, que ensinaremos.
Aprendizado profundo EE-559 (EPFL), François Fleuret
[Curso]
Este curso é uma introdução completa ao aprendizado profundo, com exemplos na estrutura PyTorch: objetivos e principais desafios de aprendizado de máquina, operações de tensores, diferenciação automática, descida gradiente, técnicas específicas de aprendizado profundo (batchnorm, dropout, redes residuais), compreensão de imagem , modelos generativos, modelos generativos adversários, modelos recorrentes, modelos de atenção, PNL.
Introdução ao Deep Learning 6.S191 (MIT), Alexander Amini e Ava Soleimany
[Curso] [YouTube]
Curso introdutório do MIT sobre métodos de aprendizagem profunda com aplicações em visão computacional, processamento de linguagem natural, biologia e muito mais! Os alunos obterão conhecimento básico de algoritmos de aprendizado profundo e experiência prática na construção de redes neurais no TensorFlow. O curso termina com um concurso de propostas de projetos com feedback da equipe e do painel de patrocinadores da indústria. Os pré-requisitos pressupõem cálculo (ou seja, derivações) e álgebra linear (ou seja, multiplicação de matrizes), tentaremos explicar todo o resto ao longo do caminho! Experiência em Python é útil, mas não necessária.
Aprendizado profundo prático para codificadores (fast.ai), Jeremy Howard
[Curso] [YouTube]
Deep Learning para codificadores com fastai e PyTorch: aplicações de IA sem doutorado.
Aprendizado profundo para percepção ECE 6504 (Virginia Tech), Prof.
[Curso] [YouTube]
Este curso irá expor os alunos a pesquisas de ponta - desde uma atualização nos conceitos básicos de redes neurais até desenvolvimentos recentes.
Palestras de Aprendizado Profundo e Inteligência Artificial (MIT)
[Curso] [YouTube]
Introdução ao Deep Learning 11-785 (Carnegie Mellon University)
[Curso] [YouTube]
Neste curso aprenderemos sobre os fundamentos das redes neurais profundas e suas aplicações em diversas tarefas de IA. Ao final do curso, espera-se que os alunos tenham uma familiaridade significativa com o assunto e sejam capazes de aplicar o Deep Learning em diversas tarefas. Eles também estarão posicionados para compreender grande parte da literatura atual sobre o tema e ampliar seus conhecimentos por meio de estudos mais aprofundados.
Computação Gráfica CMU 15-462/662 (Universidade Carnegie Mellon)
[Site] [YouTube]
Vídeos de palestras para o curso introdutório de Computação Gráfica na Carnegie Mellon University.
Computação Gráfica (Universidade de Utrecht), Wolfgang Huerst
[YouTube]
Gravações de uma palestra introdutória sobre computação gráfica ministrada por Wolfgang Hürst, Universidade de Utrecht, Holanda, de abril de 2012 a junho de 2012.
Computação Gráfica ECS175 (UC Davis), Prof.
[YouTube]
Computação Gráfica (ECS175) ensina os princípios básicos da computação gráfica tridimensional. O foco serão as técnicas matemáticas elementares para posicionar objetos no espaço tridimensional, a óptica geométrica necessária para determinar como a luz reflete nas superfícies e as maneiras de utilizar um sistema de computador e métodos para implementar os algoritmos e técnicas necessárias para produzir 3- ilustrações dimensionais. Os tópicos detalhados incluirão o seguinte: geometria transformacional, posicionamento de câmeras virtuais e fontes de luz, modelagem hierárquica de objetos complexos, renderização de modelos complexos, algoritmos de sombreamento e métodos para renderização e sombreamento de objetos curvos.
Computação Gráfica CS184 (UC Berkeley), Ravi Ramamoorthi
[Curso]
Este curso é uma introdução aos fundamentos da computação gráfica tridimensional. Os tópicos abordados incluem transformações 2D e 3D, programação gráfica 3D interativa com OpenGL, modelos de sombreamento e iluminação, modelagem geométrica usando curvas Bézier e B-Spline, renderização de computação gráfica incluindo traçado de raio e iluminação global, processamento de sinal para anti-aliasing e mapeamento de textura, e animação e cinemática inversa. Haverá ênfase nos aspectos matemáticos e geométricos dos gráficos, bem como na capacidade de escrever programas gráficos 3D completos.
Curso de Renderização/Ray Tracing (TU Wien), Károly Zsolnai-Fehér
[Curso] [YouTube]
Este curso tem como objetivo fornecer uma visão geral dos métodos básicos e de última geração de renderização. Métodos off-line, como rastreamento de raios e caminhos, mapeamento de fótons e muitos outros algoritmos, são introduzidos e vários refinamentos são explicados. São descritos os fundamentos da física envolvida, como óptica geométrica, interação de superfície e mídia com luz e modelos de câmera. É apresentado o aparato dos métodos de Monte Carlo, muito utilizado em diversos algoritmos, e explicado seu refinamento na forma de amostragem estratificada e o método Metropolis-Hastings.
