Computer Vision Video Lectures
1.0.0
Кураторский список бесплатных высококачественных курсов университетского уровня с видеолекциями, связанными с компьютерным зрением.
Сигналы и системы 6.003 (MIT), профессор Деннис Фриман
[Курс]
Сигналы и системы 6.003 охватывают основы анализа сигналов и систем, уделяя особое внимание представлениям сигналов с дискретным и непрерывным временем (функции сингулярности, комплексные экспоненты и геометрические фигуры, представления Фурье, преобразования Лапласа и Z, выборка) и представления линейных, временных -инвариантные системы (разностные и дифференциальные уравнения, структурные схемы, системные функции, полюсы и нули, свертка, импульсные и скачкообразные характеристики, частотные характеристики). Приложения широко используются в инженерии и физике, включая обратную связь и управление, связь и обработку сигналов.
Цифровая обработка сигналов ECSE-4530 (Политехнический институт Ренсселера), Ричард Радке
[Курс] [YouTube]
Этот курс обеспечивает всестороннее рассмотрение теории, проектирования и реализации алгоритмов цифровой обработки сигналов. В первой половине курса мы уделяем особое внимание анализу в частотной области и Z-преобразованию. Во второй половине курса мы изучаем сложные темы обработки сигналов, включая многоскоростную обработку сигналов, проектирование фильтров, адаптивную фильтрацию, проектирование квантователя и оценку спектра мощности. Курс практически не зависит от приложения и обеспечивает прочную теоретическую основу для будущего изучения коммуникаций, управления или обработки изображений. Первоначально этот курс предлагался для выпускников, но в 2009 году был переоборудован в курс для старших классов.
Цифровая обработка сигналов (EPFL), Паоло Прандони, Мартин Веттерли
[Курс]
В этой серии из четырех курсов вы изучите основы цифровой обработки сигналов с нуля. Начиная с базового определения сигнала с дискретным временем, мы пройдем через анализ Фурье, разработку фильтров, выборку, интерполяцию и квантование, чтобы создать набор инструментов DSP, достаточно полный для детального анализа практической системы связи. Практические примеры и демонстрации будут регулярно использоваться, чтобы сократить разрыв между теорией и практикой.
Обработка изображений и видео: от Марса до Голливуда с остановкой в больнице (Университет Дьюка), профессор Гильермо Сапиро
[Курс] [YouTube]
В этом курсе вы познакомитесь с наукой о том, как создаются, изменяются, хранятся и используются цифровые изображения и видео. Мы рассмотрим огромный мир цифровых изображений: от того, как компьютеры и цифровые камеры формируют изображения, до того, как цифровые спецэффекты используются в голливудских фильмах, и до того, как марсоход смог отправлять фотографии на миллионы миль космоса.
Курс начинается с рассмотрения того, как работает зрительная система человека, а затем знакомит вас с инженерными науками, математикой и информатикой, благодаря которым цифровые изображения работают. Вы изучите основные алгоритмы, используемые для настройки изображений, изучите стандарты JPEG и MPEG для кодирования и сжатия видеоизображений, а также узнаете о сегментации изображений, удалении шума и фильтрации. Наконец, мы закончим с методами обработки изображений, используемыми в медицине.
Введение в цифровую обработку изображений ECSE-4540 (Политехнический институт Ренсселера), Ричард Радке
[Курс] [YouTube]
Введение в область обработки изображений, охватывающее как аналитические аспекты, так и аспекты реализации. Темы включают зрительную систему человека, камеры и формирование изображений, выборку и квантование изображений, улучшение изображений в пространственной и частотной области, разработку фильтров, восстановление изображений, кодирование и сжатие изображений, морфологическую обработку изображений, обработку цветных изображений, сегментацию изображений и обработку изображений. реконструкция. Реальные примеры и задания, взятые из потребительских цифровых изображений, безопасности и наблюдения, а также обработки медицинских изображений. Этот курс составляет хорошую основу для наших обширных курсов по обработке изображений и компьютерному зрению для выпускников.
Основы цифровой обработки изображений и видео (Северо-Западный университет), профессор Аггелос К. Кацаггелос
[Курс]
В этом курсе будут рассмотрены основы обработки изображений и видео. Мы предоставим математическую основу для описания и анализа изображений и видео как двух- и трехмерных сигналов в пространственной, пространственно-временной и частотной областях. На этом курсе вы не только изучите теорию, лежащую в основе фундаментальных задач обработки, включая улучшение, восстановление и сжатие изображений/видео, но также узнаете, как выполнять эти ключевые задачи обработки на практике, используя самые современные методы и инструменты. . Мы представим и будем использовать широкий спектр таких инструментов – от наборов инструментов оптимизации до статистических методов. Также будет уделено особое внимание той роли, которую играет разреженность в современной обработке изображений и видео. Во всех случаях будут использоваться примеры изображений и видео, относящиеся к конкретным областям применения.
Обработка изображений и многомерных сигналов EENG 510 (Горная школа Колорадо), Уильям Хофф
[Курс] [YouTube]
Этот курс предоставляет студентам теоретическую базу, позволяющую им применять современные методы обработки изображений и многомерных сигналов. Курс учит студентов решать практические задачи, связанные с обработкой многомерных данных, таких как изображения, видеопоследовательности и объемные данные. Ожидается, что студенты решат следующие типы задач: автоматическое измерение многомерных данных, а также восстановление, реконструкция или сжатие многомерных данных. Инструменты, используемые при решении этих проблем, включают в себя различные методы извлечения признаков, методы фильтрации, методы сегментации и методы преобразования.
Цифровая обработка изображений (ИИТ Канпур), профессор П.К. Бисвас
[Курс] [YouTube]
Обработка и анализ изображений ECS 173 (Калифорнийский университет в Дэвисе), профессор Оуэн Кармайкл
[Курс] [YouTube]
Методы автоматического извлечения высокоуровневой информации из изображений, создаваемых камерами, трехмерными поверхностными датчиками и медицинскими устройствами. Типичные применения включают обнаружение объектов на различных типах изображений и описание популяций биологических образцов, появляющихся на медицинских изображениях.
Цифровая обработка изображений EE225B (Калифорнийский университет в Беркли), профессор Авиде Захор
[Курс]
Этот курс охватывает следующие темы: двумерные последовательности и системы, разделимые системы, проекционные срезы, реконструкция на основе проекций и частичной информации Фурье, Z-преобразование, различные уравнения, рекурсивная вычислимость, 2D ДПФ и БПФ, проектирование 2D КИХ-фильтра; человеческий глаз, восприятие, психофизические свойства зрения, фотометрия и колориметрия, оптика и системы изображения; улучшение изображения, восстановление изображения, модификация геометрического изображения, морфологическая обработка изображений, полутоновое изображение, обнаружение краев, сжатие изображения: скалярное квантование, кодирование без потерь, кодирование Хаффмана, методы словаря арифметического кодирования, кодирование формы волны и преобразования DCT, KLT, Адаммар, пирамида многоразрешительного кодирования, кодирование поддиапазонов, фрактальное кодирование, векторное квантование, оценка и компенсация движения, стандарты: JPEG, MPEG, H.xxx, пред- и постобработка, масштабируемое кодирование изображений и видео, передача изображений и видео по зашумленным каналам.
Цифровая обработка изображений I EE637 (Университет Пердью), профессор Чарльз А. Бауман
[Курс] [YouTube]
Введение в методы цифровой обработки изображений для улучшения, сжатия, восстановления, реконструкции и анализа. Лекции и лабораторные эксперименты, охватывающие широкий спектр тем, включая двумерные сигналы и системы, анализ изображений, сегментацию изображений; ахроматическое зрение, обработка цветных изображений, системы цветного изображения, повышение резкости изображения, интерполяция, прореживание, линейная и нелинейная фильтрация, печать и отображение изображений; сжатие изображений, восстановление изображений и томография.
Количественная большая визуализация: от изображений к статистике (ETH Zurich), К.С. Мадер, М. Стампанони
[Курс] [YouTube] [GitHub]
Лекция посвящена сложной задаче извлечения надежных количественных показателей из данных изображений и призвана преодолеть разрыв между чистой обработкой сигналов и экспериментальной наукой о визуализации. Курс будет сосредоточен на методах, масштабируемости и научном анализе.
Первые принципы компьютерного зрения, Шри Наяр
[Веб-сайт] [YouTube]
«Первые принципы компьютерного зрения» — это серия лекций, представленная Шри Наяром, преподавателем факультета компьютерных наук Школы инженерных и прикладных наук Колумбийского университета. Компьютерное зрение — это предприятие по созданию машин, которые «видят». Эта серия посвящена физическим и математическим основам зрения и предназначена для студентов, практиков и энтузиастов, не имеющих предварительных знаний в области компьютерного зрения.
Компьютерное зрение CAP5415 (UCF), доктор Мубарак Шах
[Курс 2012 г.] [Курс 2014 г.] [YouTube 2012 г.] [YouTube 2014 г.]
Курс имеет вводный уровень. Он охватит основные темы компьютерного зрения и познакомит с некоторыми фундаментальными подходами к исследованиям компьютерного зрения.
Введение в компьютерное зрение CS-6476 (Технологический институт Джорджии)
[Курс] [Udacity]
Компьютерное зрение EENG 512 (Горная школа Колорадо), Уильям Хофф
[Ютуб]
В этом курсе представлен обзор этой области, начиная с формирования изображений и их низкоуровневой обработки. Затем мы подробно рассмотрим теорию и методы извлечения особенностей из изображений, измерения формы и местоположения и распознавания объектов.
3D Computer Vision CS4277/CS5477 (Национальный университет Сингапура), Гим Хи Ли
[Ютуб]
Это вводный курс по 3D-компьютерному зрению, записанный для онлайн-обучения в НУС из-за COVID-19. Рассматриваемые темы включают: Лекция 1: 2D и 1D проективная геометрия. Лекция 2: Движение твердого тела и трехмерная проективная геометрия. Лекция 3: Круговые точки и абсолютная коника. Лекция 4: Робастная оценка гомографии. Лекция 5: Модели камер и калибровка. Лекция 6: Единая метрология. Лекция 7: Фундаментальные и существенные матрицы. Лекция 8: Абсолютная оценка позы по точкам или линиям. Лекция 9: Трехвидовая геометрия из точек и/или линий. Лекция 10: Структура из движения (SfM) и настройка связки. Лекция 11: Двухпроекционное и многопроекционное стерео. Лекция 12: Обобщенные камеры. Лекция 13: Автокалибровка.
Множественная геометрия в компьютерном зрении (IT Sligo), Шон Маллери
[Ютуб]
Компьютерное зрение (ИИТ Канпур), профессор Джаянта Мукхопадьяй
[Курс]
Курс будет включать всесторонний охват теории и вычислений, связанных с геометрией изображения и пониманием сцены. Он также познакомит вас с методами кластеризации, классификации и глубокого обучения, применяемыми в этой области.
Компьютерное зрение CS-442 (EPFL), Паскаль Фуа
[Курс]
Студенты познакомятся с основными методами компьютерного зрения. Они научатся применять методы обработки изображений там, где это необходимо. Мы сосредоточимся на черно-белых и цветных изображениях, полученных с помощью стандартных видеокамер. Мы познакомим вас с основными методами обработки, такими как обнаружение краев, сегментация, определение характеристик текстуры и распознавание формы.
Компьютерное зрение CS 543 (Университет Иллинойса), Дерек Хойем
[Курс] [Записи]
В этом курсе мы рассмотрим многие основные концепции и алгоритмы компьютерного зрения: геометрию с одним и несколькими представлениями, освещение, линейные фильтры, текстуры, точки интереса, отслеживание, RANSAC, кластеризацию K-средних, сегментацию, алгоритм EM. , признание и так далее. Выполняя домашние задания, вы примените многие из этих концепций на практике. Поскольку это обзорный курс, мы не будем углубляться в какую-либо тему, но в конце курса вы должны быть готовы к любому дальнейшему исследованию и применению, связанному со зрением.
Компьютерное зрение для визуальных эффектов ECSE-6969, Ричард Радке
[Курс] [YouTube]
В этом курсе особое внимание уделяется темам исследований, лежащим в основе передовых визуальных эффектов, которые становятся все более распространенными в рекламных роликах, музыкальных клипах и фильмах. Темы включают классические алгоритмы компьютерного зрения, регулярно используемые в Голливуде (например, матирование синего экрана, структура движения, оптический поток и отслеживание объектов), а также захватывающие недавние разработки, которые составляют основу для будущих эффектов (таких как матирование естественного изображения, композитинг нескольких изображений, ретаргетинг изображений и синтез представлений). Мы также обсуждаем технологии захвата движения и сбора трехмерных данных. Анализ закулисных видеороликов и подробные интервью с голливудскими художниками по визуальным эффектам связывают математические концепции с реальным кинопроизводством.
Обработка изображений и компьютерное зрение (CBCSL), Алейкс М. Мартинес
[Ютуб]
Древние секреты компьютерного зрения (Вашингтонский университет), Джозеф Редмон
[Курс] [YouTube]
Этот курс представляет собой общее введение в компьютерное зрение. Он охватывает стандартные методы обработки изображений, такие как фильтрация, обнаружение краев, стерео, поток и т. д. (зрение старой школы), а также новейшее компьютерное зрение, основанное на машинном обучении.
Advanced Computer Vision CAP6412 (UCF), доктор Мубарак Шах
[Курс 2019] [YouTube]
Это Advanced Computer Vision, который познакомит аспирантов с передовыми исследованиями. На каждом занятии мы обсудим одну недавнюю исследовательскую работу, связанную с активными областями текущих исследований, в частности с использованием глубокого обучения. Компьютерное зрение было очень активной областью исследований на протяжении многих десятилетий, и исследователи работали над решением важных сложных проблем. За последние несколько лет глубокое обучение с использованием искусственных нейронных сетей стало революционной силой в компьютерном зрении. Благодаря использованию глубокого обучения за очень короткое время был достигнут огромный прогресс в решении сложных задач и получены очень впечатляющие результаты в классификации изображений и видео, локализации, семантической сегментации и т. д. Почти каждый год появляются новые методы, наборы данных, аппаратные и программные библиотеки. день. Глубокое компьютерное зрение влияет на исследования в области робототехники, понимания естественного языка, компьютерной графики, мультимодального анализа и т. д.
Компьютерное зрение I: вариационные методы (TU München), профессор Даниэль Кремерс
[Курс] [YouTube]
Вариационные методы являются одними из наиболее классических методов оптимизации функций стоимости в более высоком измерении. Многие задачи в компьютерном зрении и в других областях исследований можно сформулировать как вариационные методы. Примеры включают шумоподавление, удаление размытия, сегментацию изображения, отслеживание, оценку оптического потока, оценку глубины по стереоизображениям или 3D-реконструкцию из нескольких представлений.
На этом занятии я познакомлю вас с основными понятиями вариационных методов, исчислением Эйлера-Лагранжа и уравнениями в частных производных. Я расскажу о том, как соответствующие задачи компьютерного зрения и анализа изображений можно рассматривать как вариационные задачи и как их можно эффективно решить. Ближе к концу урока я буду обсуждать выпуклые формулировки и выпуклые релаксации, которые позволяют вычислять оптимальные или почти оптимальные решения в вариационной ситуации.
Компьютерное зрение II: множественная геометрия (TU München), профессор Даниэль Кремерс
[Курс] [YouTube]
Лекция знакомит с основными понятиями формирования изображения – перспективной проекцией и движением камеры. Цель состоит в том, чтобы восстановить трехмерный мир и движение камеры из нескольких изображений. Для этого определяются соответствия между точками на различных изображениях и соответствующие ограничения, которые позволяют рассчитывать движение и трехмерную структуру. Особое внимание в лекции уделяется математическому описанию движения твердого тела и перспективной проекции. Для оценки движения камеры и трехмерной геометрии мы будем использовать как спектральные методы, так и методы нелинейной оптимизации.
Advanced Computer Vision (CBCSL), Алейкс М. Мартинес
[Ютуб]
Высшая летняя школа по компьютерному зрению (IPAM в Калифорнийском университете в Лос-Анджелесе)
[Курс]
Фотограмметрия I и II (Боннский университет), Сирилл Стахнисс
[Курс] [YouTube]
Мобильное зондирование и робототехника I (Боннский университет), Сирилл Стахнисс
[Курс]
Мобильное зондирование и робототехника II (Боннский университет), Сирилл Стахнисс
[Курс] [YouTube]
Картографирование роботов (Боннский университет), Сирилл Стахнисс
[Курс] [YouTube]
В лекции будут рассмотрены различные темы и методы моделирования окружающей среды с помощью мобильных роботов. Мы рассмотрим такие методы, как SLAM, с семейством фильтров Калмана, информационных фильтров и фильтров частиц. Кроме того, мы будем исследовать подходы на основе графов, минимизацию ошибок методом наименьших квадратов, методы распознавания мест и картографирования на основе внешнего вида, а также ассоциацию данных.
Биометрия (ИИТ Канпур), профессор Пхалгуни Гупта
[Курс] [YouTube]
Введение в биометрические характеристики и их цели, основы обработки изображений, основные операции с изображениями, фильтрация, улучшение, повышение резкости, обнаружение краев, сглаживание, улучшение, определение порога, локализация. Ряд Фурье, ДПФ, обратный ДПФ. Биометрическая система, идентификация и верификация. FAR/FRR, вопросы проектирования системы. Позитивная/негативная идентификация. Безопасность биометрической системы, протоколы аутентификации, распределение баллов соответствия, кривая ROC, кривая DET, кривая FAR/FRR. Ожидаемая общая ошибка, EER, биометрические мифы и искажения. Подбор подходящей биометрии. Биометрические атрибуты, диаграммы Зефира, виды мультибиометрии. Верификация многомодельной системы, стратегия нормализации, методы слияния, многомодельная идентификация. Безопасность биометрической системы, уязвимости биометрической системы, обход, скрытое получение, контроль качества, генерация шаблонов, совместимость, хранение данных. Системы распознавания: лицо, подпись, отпечаток пальца, ухо, радужная оболочка глаза и т. д.
CS231n Сверточные нейронные сети для визуального распознавания (Стэнфорд)
[Курс] [YouTube]
Этот курс представляет собой глубокое погружение в детали архитектуры глубокого обучения с упором на изучение сквозных моделей для этих задач, в частности классификации изображений. В течение 10-недельного курса студенты научатся внедрять, обучать и отлаживать свои собственные нейронные сети, а также получат детальное представление о передовых исследованиях в области компьютерного зрения. Последнее задание будет включать в себя обучение сверточной нейронной сети с несколькими миллионами параметров и ее применение к самому большому набору данных классификации изображений (ImageNet). Мы сосредоточимся на обучении тому, как поставить задачу распознавания изображений, алгоритмах обучения (например, обратного распространения ошибки), практических инженерных приемах для обучения и точной настройки сетей, а также проведем студентов через практические задания и итоговый курсовой проект. Большая часть исходной информации и материалов этого курса будет взята из конкурса ImageNet Challenge.
Глубокое обучение для компьютерного зрения (Мичиганский университет), Джастин Джонсон
[Курс]
Этот курс представляет собой глубокое погружение в детали методов глубокого обучения на основе нейронных сетей для компьютерного зрения. В ходе этого курса студенты научатся внедрять, обучать и отлаживать свои собственные нейронные сети и получат детальное представление о передовых исследованиях в области компьютерного зрения. Мы рассмотрим алгоритмы обучения, архитектуру нейронных сетей и практические инженерные приемы для обучения и точной настройки сетей для задач визуального распознавания.
Сверточные нейронные сети, профессор Эндрю Нг
[Курс]
Этот курс научит вас строить сверточные нейронные сети и применять их к данным изображений. Благодаря глубокому обучению компьютерное зрение работает намного лучше, чем всего два года назад, и это позволяет использовать множество интересных приложений, начиная от безопасного автономного вождения и заканчивая точным распознаванием лиц и автоматическим считыванием радиологических изображений.
Сверточные сети, Ян Гудфеллоу
[Ютуб]
Сенсорные системы 9.04 (MIT), профессор Питер Х. Шиллер, профессор М. Кристиан Браун
[Курс] [YouTube]
Этот курс исследует нейронные основы сенсорного восприятия. Основное внимание уделяется физиологическим и анатомическим исследованиям нервной системы млекопитающих, а также поведенческим исследованиям животных и человека. Темы включают зрительные образы, восприятие цвета и глубины, слуховые реакции и локализацию звука, а также соматосенсорное восприятие.
Зрительное восприятие и мозг (Университет Дьюка), Дейл Первс
[Курс]
Учащиеся познакомятся с проблемами, с которыми сталкивается зрение, используя восприятие в качестве руководства. В курсе будет рассмотрено, как то, что мы видим, генерируется зрительной системой, какова центральная проблема зрения и что визуальное восприятие говорит о том, как работает мозг. Доказательства будут получены из нейробиологии, психологии, истории науки о зрении и вклада философии. Хотя дискуссии будут посвящены анатомии и физиологии зрительной системы, основное внимание уделяется восприятию. Мы видим физический мир странным образом, и цель — понять, почему.
Видение высокого уровня (CBCSL)
[Ютуб]
Машинное обучение CS229 (Стэнфорд), профессор Эндрю Нг
[Курс] [YouTube]
Этот курс представляет собой широкое введение в машинное обучение и статистическое распознавание образов. Темы включают в себя: обучение с учителем (генеративное/дискриминативное обучение, параметрическое/непараметрическое обучение, нейронные сети, машины опорных векторов); обучение без учителя (кластеризация, уменьшение размерности, методы ядра); теория обучения (компромисс смещения/дисперсии; теория венчурного капитала; большая прибыль); Обучение с подкреплением и адаптивный контроль. В ходе курса также будут обсуждаться последние применения машинного обучения, такие как роботизированное управление, интеллектуальный анализ данных, автономная навигация, биоинформатика, распознавание речи, а также обработка текстовых и веб-данных.
Машинное обучение CS156 (Калифорнийский технологический институт), профессор Ясер Абу-Мостафа
[Курс] [YouTube]
Это вводный курс профессора Калифорнийского технологического института Ясера Абу-Мостафы по машинному обучению, который охватывает базовую теорию, алгоритмы и приложения. Машинное обучение (МО) позволяет вычислительным системам адаптивно повышать свою производительность за счет опыта, накопленного на основе наблюдаемых данных. Методы МО широко применяются в инженерии, науке, финансах и торговле для создания систем, для которых у нас нет полной математической спецификации (а это охватывает множество систем). Курс сочетает в себе теорию и практику и охватывает математические и эвристические аспекты.
Машинное обучение для компьютерного зрения (Гейдельбергский университет), профессор Фред Хампрехт
[Курс] [YouTube]
В этом курсе рассматриваются передовые методы машинного обучения, позволяющие выполнять так называемое «структурированное прогнозирование». Цель состоит в том, чтобы сделать несколько прогнозов, которые взаимодействуют нетривиальным образом; и мы учитываем эти взаимодействия как во время обучения, так и во время тестирования.
Машинное обучение для робототехники и компьютерного зрения (TU München), доктор Рудольф Трибель
[Курс] [YouTube]
На этой лекции студенты познакомятся с наиболее часто используемыми методами машинного обучения в приложениях компьютерного зрения и робототехники. Основная цель лекции — получить широкий обзор существующих методов, а также понять их мотивацию и основные идеи в контексте компьютерного зрения и распознавания образов.
Машинное обучение для интеллектуальных систем CS4780 (Корнелл), профессор Киллиан Вайбергер
[Курс] [YouTube]
Цель этого курса — дать введение в область машинного обучения. Курс научит вас базовым навыкам принятия решения, какой алгоритм обучения использовать для решения какой проблемы, написанию собственного алгоритма обучения, его оценке и отладке.
Введение в машинное обучение и распознавание образов (CBCSL), Алейкс М. Мартинес
[Ютуб]
Прикладное машинное обучение COMS W4995 (Колумбия), Андреас К. Мюллер
[Курс] [YouTube]
Этот курс предлагает практический подход к машинному обучению и науке о данных. На занятии обсуждается применение таких методов машинного обучения, как SVM, случайные леса, повышение градиента и нейронные сети, в реальных наборах данных, включая подготовку данных, выбор и оценку модели. Этот класс дополняет COMS W4721, поскольку он полностью полагается на доступные реализации с открытым исходным кодом в scikit-learn и тензорном потоке для всех реализаций. Помимо применения моделей, мы также обсудим инструменты и методы разработки программного обеспечения, относящиеся к созданию моделей машинного обучения.
Вероятностное и статистическое машинное обучение (Университет Тюбингена), профессор Филипп Хенниг, профессор У. фон Люксбург
[Курс] [YouTube]
В центре внимания лекции находятся как алгоритмические, так и теоретические аспекты машинного обучения. Мы рассмотрим многие стандартные алгоритмы и узнаем об общих принципах и теоретических результатах построения хороших алгоритмов машинного обучения. Темы варьируются от хорошо известных результатов до совсем недавних результатов.
Введение в машинное обучение для программистов (fast.ai), Джереми Ховард
[Курс] [YouTube]
Преподает Джереми Ховард (конкурент Kaggle №1 уже два года подряд и основатель Enlitic). Изучите наиболее важные модели машинного обучения, в том числе способы их самостоятельного создания с нуля, а также ключевые навыки в подготовке данных, проверке моделей и создании продуктов данных. Уроки рассчитаны примерно на 24 часа, и вы должны запланировать потратить около 8. часов в неделю в течение 12 недель для завершения материала. Курс основан на уроках, записанных в Университете Сан-Франциско по программе магистра наук в области науки о данных. Мы предполагаем, что у вас есть как минимум один год опыта программирования и вы либо помните, чему учили математику в средней школе, либо готовы провести самостоятельное исследование, чтобы освежить свои знания.
Введение в машинное обучение ECE 5984 (Технологический институт Вирджинии), профессор Друв Батра
[Курс] [YouTube]
Deep Learning CS230 (Стэнфорд), профессор Эндрю Нг, Киан Катанфоруш
[Курс] [YouTube]
Глубокое обучение — один из самых востребованных навыков в области искусственного интеллекта. В этом курсе вы изучите основы глубокого обучения, поймете, как создавать нейронные сети, и научитесь руководить успешными проектами машинного обучения. Вы узнаете о сверточных сетях, RNN, LSTM, Adam, Dropout, BatchNorm, инициализации Xavier/He и многом другом.
Специализация по глубокому обучению, профессор Эндрю Нг, Киан Катанфоруш
[Курс]
За пять курсов вы изучите основы глубокого обучения, поймете, как строить нейронные сети, и научитесь руководить успешными проектами машинного обучения. Вы узнаете о сверточных сетях, RNN, LSTM, Adam, Dropout, BatchNorm, инициализации Xavier/He и многом другом. Вы будете работать над практическими исследованиями в области здравоохранения, автономного вождения, чтения на языке жестов, создания музыки и обработки естественного языка. Вы освоите не только теорию, но и увидите, как она применяется в промышленности. Все эти идеи вы будете практиковать на Python и TensorFlow, которым мы научим.
Deep Learning EE-559 (EPFL), Франсуа Флере
[Курс]
Этот курс представляет собой подробное введение в глубокое обучение с примерами в рамках PyTorch: цели и основные проблемы машинного обучения, тензорные операции, автоматическое дифференцирование, градиентный спуск, специальные методы глубокого обучения (пакетная норма, отсев, остаточные сети), понимание изображений. , генеративные модели, состязательные генеративные модели, рекуррентные модели, модели внимания, НЛП.
Введение в глубокое обучение 6.S191 (MIT), Александр Амини и Ава Сулеймани
[Курс] [YouTube]
Вводный курс Массачусетского технологического института по методам глубокого обучения с применением к компьютерному зрению, обработке естественного языка, биологии и многому другому! Студенты получат базовые знания об алгоритмах глубокого обучения и получат практический опыт построения нейронных сетей в TensorFlow. Курс завершается конкурсом проектных предложений с получением отзывов от сотрудников и группы отраслевых спонсоров. Предварительные требования предполагают исчисление (т.е. взятие производных) и линейную алгебру (т.е. умножение матриц), все остальное мы постараемся объяснить по ходу дела! Опыт работы с Python полезен, но не обязателен.
Практическое глубокое обучение для программистов (fast.ai), Джереми Ховард
[Курс] [YouTube]
Глубокое обучение для программистов с помощью fastai и PyTorch: приложения искусственного интеллекта без докторской степени.
Глубокое обучение для восприятия ECE 6504 (Технологический институт Вирджинии), профессор Друв Батра
[Курс] [YouTube]
Этот курс познакомит студентов с передовыми исследованиями — от повышения квалификации в основах нейронных сетей до последних разработок.
Лекции по глубокому обучению и искусственному интеллекту (MIT)
[Курс] [YouTube]
Введение в глубокое обучение 11-785 (Университет Карнеги-Меллона)
[Курс] [YouTube]
В этом курсе мы узнаем об основах глубоких нейронных сетей и их применении для различных задач искусственного интеллекта. Ожидается, что к концу курса студенты будут хорошо знакомы с предметом и смогут применять глубокое обучение для решения различных задач. Они также смогут понять большую часть современной литературы по этой теме и расширить свои знания посредством дальнейшего обучения.
Компьютерная графика CMU 15-462/662 (Университет Карнеги-Меллон)
[Веб-сайт] [YouTube]
Видеолекции для вводного курса компьютерной графики в Университете Карнеги-Меллон.
Компьютерная графика (Утрехтский университет), Вольфганг Хюрст
[Ютуб]
Записи вводной лекции по компьютерной графике, прочитанной Вольфгангом Хюрстом, Утрехтский университет, Нидерланды, с апреля по июнь 2012 года.
Компьютерная графика ECS175 (Калифорнийский университет в Дэвисе), профессор Кеннет Джой
[Ютуб]
Компьютерная графика (ECS175) обучает основным принципам трехмерной компьютерной графики. В центре внимания будут элементарные математические методы позиционирования объектов в трехмерном пространстве, геометрическая оптика, необходимая для определения того, как свет отражается от поверхностей, а также способы использования компьютерной системы и методов для реализации алгоритмов и методов, необходимых для создания базовых 3-мерных изображений. объемные иллюстрации. Подробные темы будут включать в себя следующее: трансформационная геометрия, расположение виртуальных камер и источников света, иерархическое моделирование сложных объектов, рендеринг сложных моделей, алгоритмы затенения и методы рендеринга и затенения изогнутых объектов.
Компьютерная графика CS184 (Калифорнийский университет в Беркли), Рави Рамамурти
[Курс]
Этот курс представляет собой введение в основы трехмерной компьютерной графики. Рассматриваемые темы включают 2D- и 3D-преобразования, программирование интерактивной 3D-графики с помощью OpenGL, модели затенения и освещения, геометрическое моделирование с использованием кривых Безье и B-сплайнов, рендеринг компьютерной графики, включая трассировку лучей и глобальное освещение, обработку сигналов для сглаживания и наложения текстур. анимация и инверсная кинематика. Особое внимание будет уделяться как математическим, так и геометрическим аспектам графики, а также умению писать полные программы для 3D-графики.
Курс рендеринга/трассировки лучей (TU Wien), Карой Жолнаи-Фехер
[Курс] [YouTube]
Цель этого курса - дать обзор основных и современных методов рендеринга. Представлены автономные методы, такие как трассировка лучей и путей, картирование фотонов и многие другие алгоритмы, а также объяснены различные усовершенствования. Изложены основы задействованной физики, такие как геометрическая оптика, взаимодействие поверхностей и сред с моделями света и камеры. Внедряется аппарат методов Монте-Карло, который широко используется в нескольких алгоритмах, и его уточнение в форме стратифицированной выборки и метода мегаполиса-гастингса.
