Computer Vision Video Lectures

การบรรยายวิดีโอคอมพิวเตอร์วิทัศน์

รายชื่อหลักสูตรระดับมหาวิทยาลัยฟรี คุณภาพสูง ที่รวบรวมไว้พร้อมวิดีโอบรรยายที่เกี่ยวข้องกับสาขา Computer Vision

สารบัญ

• การประมวลผลสัญญาณ
• การประมวลผลภาพและวิดีโอ
• คอมพิวเตอร์วิทัศน์เบื้องต้น
• วิทัศน์คอมพิวเตอร์ขั้นสูง
• การเรียนรู้เชิงลึกสำหรับการมองเห็นคอมพิวเตอร์
• วิสัยทัศน์และการรับรู้ของมนุษย์
• การเรียนรู้ของเครื่อง
• การเรียนรู้เชิงลึก
• คอมพิวเตอร์กราฟฟิก

การประมวลผลสัญญาณ

• สัญญาณและระบบ 6.003 (MIT) ศาสตราจารย์เดนนิส ฟรีแมน
  [คอร์ส]

  Signals and Systems 6.003 ครอบคลุมพื้นฐานของการวิเคราะห์สัญญาณและระบบ โดยมุ่งเน้นไปที่การแสดงสัญญาณเวลาไม่ต่อเนื่องและเวลาต่อเนื่อง (ฟังก์ชันเอกฐาน เลขชี้กำลังและเรขาคณิตเชิงซ้อน การแทนฟูริเยร์ การแปลงลาปลาซและ Z การสุ่มตัวอย่าง) และการแทนเชิงเส้น เวลา - ระบบคงที่ (ผลต่างและสมการเชิงอนุพันธ์ บล็อกไดอะแกรม ฟังก์ชันของระบบ ขั้วและศูนย์ การบิด แรงกระตุ้นและขั้นตอน การตอบสนอง, การตอบสนองความถี่) การประยุกต์ใช้งานส่วนใหญ่มาจากวิศวกรรมศาสตร์และฟิสิกส์ รวมถึงการตอบสนองและการควบคุม การสื่อสาร และการประมวลผลสัญญาณ

• การประมวลผลสัญญาณดิจิตอล ECSE-4530 (สถาบันสารพัดช่าง Rensselaer), Richard Radke
  [หลักสูตร] [YouTube]

  หลักสูตรนี้ให้การปฏิบัติที่ครอบคลุมเกี่ยวกับทฤษฎี การออกแบบ และการนำอัลกอริธึมการประมวลผลสัญญาณดิจิทัลไปใช้ ในช่วงครึ่งแรกของหลักสูตร เราเน้นการวิเคราะห์โดเมนความถี่และการแปลงรูป Z ในช่วงครึ่งหลังของหลักสูตร เราจะตรวจสอบหัวข้อขั้นสูงในการประมวลผลสัญญาณ รวมถึงการประมวลผลสัญญาณหลายอัตรา การออกแบบตัวกรอง การกรองแบบปรับตัว การออกแบบควอไลเซอร์ และการประมาณค่าสเปกตรัมพลังงาน หลักสูตรนี้ค่อนข้างไม่ขึ้นอยู่กับการใช้งาน เพื่อเป็นรากฐานทางทฤษฎีที่แข็งแกร่งสำหรับการศึกษาด้านการสื่อสาร การควบคุม หรือการประมวลผลภาพในอนาคต หลักสูตรนี้เดิมเปิดสอนในระดับบัณฑิตศึกษา แต่ได้รับการปรับปรุงใหม่ในปี 2552 ให้เป็นระดับอาวุโส

• การประมวลผลสัญญาณดิจิทัล (EPFL), เปาโล ปรันโดนี, มาร์ติน เวตเตอร์ลี
  [คอร์ส]

  ในชุดหลักสูตรสี่หลักสูตรนี้ คุณจะได้เรียนรู้พื้นฐานของการประมวลผลสัญญาณดิจิทัลตั้งแต่พื้นฐาน เริ่มต้นจากคำจำกัดความพื้นฐานของสัญญาณเวลาแบบไม่ต่อเนื่อง เราจะดำเนินการผ่านการวิเคราะห์ฟูริเยร์ การออกแบบตัวกรอง การสุ่มตัวอย่าง การประมาณค่า และการหาปริมาณ เพื่อสร้างชุดเครื่องมือ DSP ที่ครบถ้วนเพียงพอที่จะวิเคราะห์ระบบการสื่อสารเชิงปฏิบัติโดยละเอียด ตัวอย่างและการสาธิตเชิงปฏิบัติจะถูกใช้เป็นประจำเพื่อปิดช่องว่างระหว่างทฤษฎีและการปฏิบัติ

การประมวลผลภาพและวิดีโอ

• การประมวลผลภาพและวิดีโอ: จากดาวอังคารสู่ฮอลลีวูดโดยแวะที่โรงพยาบาล (มหาวิทยาลัย Duke) ศาสตราจารย์ Guillermo Sapiro
  [หลักสูตร] [YouTube]

  ในหลักสูตรนี้ คุณจะได้เรียนรู้วิทยาศาสตร์เบื้องหลังวิธีสร้าง เปลี่ยนแปลง จัดเก็บ และใช้งานรูปภาพและวิดีโอดิจิทัล เราจะมาดูโลกอันกว้างใหญ่ของการถ่ายภาพดิจิทัล ตั้งแต่วิธีที่คอมพิวเตอร์และกล้องดิจิทัลสร้างภาพ ไปจนถึงวิธีการใช้เอฟเฟกต์พิเศษทางดิจิทัลในภาพยนตร์ฮอลลีวูด ไปจนถึงวิธีที่ Mars Rover สามารถส่งภาพถ่ายข้ามอวกาศนับล้านไมล์

  หลักสูตรนี้เริ่มต้นด้วยการดูว่าระบบการมองเห็นของมนุษย์ทำงานอย่างไร จากนั้นจะสอนคุณเกี่ยวกับวิศวกรรม คณิตศาสตร์ และวิทยาการคอมพิวเตอร์ที่ทำให้ภาพดิจิทัลทำงานได้ คุณจะได้เรียนรู้อัลกอริธึมพื้นฐานที่ใช้ในการปรับภาพ สำรวจมาตรฐาน JPEG และ MPEG สำหรับการเข้ารหัสและการบีบอัดภาพวิดีโอ และเรียนรู้เพิ่มเติมเกี่ยวกับการแบ่งส่วนภาพ การกำจัดจุดรบกวน และการกรอง สุดท้ายนี้เราจะปิดท้ายด้วยเทคนิคการประมวลผลภาพที่ใช้ในทางการแพทย์

• ข้อมูลเบื้องต้นเกี่ยวกับการประมวลผลภาพดิจิทัล ECSE-4540 (Rensselaer Polytechnic Institute), Richard Radke
  [หลักสูตร] [YouTube]

  ความรู้เบื้องต้นเกี่ยวกับการประมวลผลภาพ ครอบคลุมทั้งด้านการวิเคราะห์และการนำไปปฏิบัติ หัวข้อต่างๆ ได้แก่ ระบบการมองเห็นของมนุษย์ กล้องและการสร้างภาพ การสุ่มตัวอย่างและการหาปริมาณภาพ การปรับปรุงภาพในโดเมนเชิงพื้นที่และความถี่ การออกแบบตัวกรอง การฟื้นฟูภาพ การเข้ารหัสและการบีบอัดภาพ การประมวลผลภาพทางสัณฐานวิทยา การประมวลผลภาพสี การแบ่งส่วนภาพ และภาพ การฟื้นฟู ตัวอย่างและการมอบหมายงานในโลกแห่งความเป็นจริงที่มาจากการถ่ายภาพดิจิทัลสำหรับผู้บริโภค การรักษาความปลอดภัยและการเฝ้าระวัง และการประมวลผลภาพทางการแพทย์ หลักสูตรนี้เป็นพื้นฐานที่ดีสำหรับหลักสูตรการประมวลผลภาพและคอมพิวเตอร์วิทัศน์ระดับบัณฑิตศึกษาของเรา

• พื้นฐานของการประมวลผลภาพและวิดีโอดิจิทัล (มหาวิทยาลัย Northwestern) ศาสตราจารย์ Aggelos K. Katsaggelos
  [คอร์ส]

  หลักสูตรนี้จะครอบคลุมพื้นฐานการประมวลผลภาพและวิดีโอ เราจะจัดทำกรอบทางคณิตศาสตร์เพื่ออธิบายและวิเคราะห์ภาพและวิดีโอเป็นสัญญาณสองและสามมิติในโดเมนเชิงพื้นที่ เชิงพื้นที่ และความถี่ ในชั้นเรียนนี้ คุณจะไม่เพียงแต่จะได้เรียนรู้ทฤษฎีเบื้องหลังงานการประมวลผลขั้นพื้นฐาน รวมถึงการปรับปรุงรูปภาพ/วิดีโอ การกู้คืน และการบีบอัด - แต่คุณยังจะได้เรียนรู้วิธีการปฏิบัติงานการประมวลผลที่สำคัญเหล่านี้ในทางปฏิบัติโดยใช้เทคนิคและเครื่องมือที่ล้ำสมัย . เราจะแนะนำและใช้เครื่องมือดังกล่าวที่หลากหลาย ตั้งแต่กล่องเครื่องมือเพิ่มประสิทธิภาพไปจนถึงเทคนิคทางสถิติ นอกจากนี้ยังจะเน้นย้ำถึงบทบาทพิเศษที่กระจัดกระจายในการประมวลผลภาพและวิดีโอสมัยใหม่อีกด้วย ในทุกกรณี รูปภาพและวิดีโอตัวอย่างที่เกี่ยวข้องกับโดเมนแอปพลิเคชันเฉพาะจะถูกนำมาใช้

• การประมวลผลภาพและสัญญาณหลายมิติ EENG 510 (Colorado School of Mines), William Hoff
  [หลักสูตร] [YouTube]

  หลักสูตรนี้จะช่วยให้นักเรียนมีพื้นฐานทางทฤษฎีเพื่อให้พวกเขาสามารถประยุกต์ใช้ภาพอันล้ำสมัยและเทคนิคการประมวลผลสัญญาณหลายมิติ หลักสูตรนี้จะสอนให้นักเรียนแก้ปัญหาเชิงปฏิบัติที่เกี่ยวข้องกับการประมวลผลข้อมูลหลายมิติ เช่น รูปภาพ ลำดับวิดีโอ และข้อมูลเชิงปริมาตร ประเภทของปัญหาที่นักเรียนคาดหวังให้แก้ไข ได้แก่ การวัดขนาดอัตโนมัติจากข้อมูลหลายมิติ และการฟื้นฟู การสร้างใหม่ หรือการบีบอัดข้อมูลหลายมิติ เครื่องมือที่ใช้ในการแก้ไขปัญหาเหล่านี้ประกอบด้วยวิธีการแยกคุณลักษณะ เทคนิคการกรอง เทคนิคการแบ่งส่วน และวิธีการแปลงที่หลากหลาย

• การประมวลผลภาพดิจิทัล (IIT Kanpur) ศาสตราจารย์ พี.เค. บิสวาส
  [หลักสูตร] [YouTube]

• การประมวลผลและการวิเคราะห์ภาพ ECS 173 (UC Davis), ศาสตราจารย์ โอเว่น คาร์ไมเคิล
  [หลักสูตร] [YouTube]

  เทคนิคในการดึงข้อมูลระดับสูงจากภาพที่สร้างโดยกล้อง เซ็นเซอร์พื้นผิวสามมิติ และอุปกรณ์ทางการแพทย์โดยอัตโนมัติ การใช้งานทั่วไป ได้แก่ การตรวจจับวัตถุในภาพประเภทต่างๆ และการอธิบายจำนวนประชากรของตัวอย่างทางชีววิทยาที่ปรากฏในภาพทางการแพทย์

• การประมวลผลภาพดิจิทัล EE225B (UC Berkeley), ศ. Avideh Zakhor
  [คอร์ส]

  หลักสูตรนี้ครอบคลุมหัวข้อต่อไปนี้: ลำดับและระบบ 2 มิติ ระบบที่แยกส่วนได้ ส่วนฉายภาพ thm การสร้างใหม่จากการฉายภาพและข้อมูลฟูริเยร์บางส่วน การแปลง Z สมการต่างๆ ความสามารถในการคำนวณแบบเรียกซ้ำ 2D DFT และ FFT การออกแบบตัวกรอง 2D FIR ดวงตาของมนุษย์ การรับรู้ คุณสมบัติการมองเห็นทางจิตฟิสิกส์ การวัดแสงและการวัดสี ระบบทัศนศาสตร์และระบบภาพ การเพิ่มประสิทธิภาพของภาพ การฟื้นฟูภาพ การปรับเปลี่ยนภาพทางเรขาคณิต การประมวลผลภาพทางสัณฐานวิทยา ฮาล์ฟโทน การตรวจจับขอบ การบีบอัดภาพ: การหาปริมาณสเกลาร์ การเข้ารหัสแบบไม่สูญเสียข้อมูล การเข้ารหัสฮัฟฟ์แมน เทคนิคพจนานุกรมการเข้ารหัสทางคณิตศาสตร์ การเข้ารหัสรูปคลื่นและการแปลง DCT, KLT, ฮาดัมมาร์ด, พีระมิดการเข้ารหัสหลายความละเอียด การเข้ารหัสย่านความถี่ย่อย, การเข้ารหัสเศษส่วน, การหาปริมาณเวกเตอร์, การประมาณค่าการเคลื่อนไหวและการชดเชย, มาตรฐาน: JPEG, MPEG, H.xxx, ล่วงหน้า และหลังการประมวลผล การเข้ารหัสภาพและวิดีโอที่ปรับขนาดได้ การสื่อสารภาพและวิดีโอผ่านช่องทางที่มีเสียงดัง

• การประมวลผลภาพดิจิทัล I EE637 (มหาวิทยาลัย Purdue), ศาสตราจารย์ Charles A. Bouman
  [หลักสูตร] [YouTube]

  เทคนิคเบื้องต้นในการประมวลผลภาพดิจิทัลเพื่อการเพิ่มประสิทธิภาพ การบีบอัด การบูรณะ การสร้างใหม่ และการวิเคราะห์ การบรรยายและการทดลองในห้องปฏิบัติการครอบคลุมหัวข้อต่างๆ มากมาย รวมถึงสัญญาณและระบบ 2 มิติ การวิเคราะห์ภาพ การแบ่งส่วนภาพ การมองเห็นไม่มีสี การประมวลผลภาพสี ระบบสร้างภาพสี การทำให้ภาพคมชัด การประมาณค่า การแบ่งส่วน การกรองเชิงเส้นและไม่เชิงเส้น การพิมพ์และการแสดงภาพ การบีบอัดภาพ การฟื้นฟูภาพ และการตรวจเอกซเรย์

• การสร้างภาพขนาดใหญ่เชิงปริมาณ: จากภาพสู่สถิติ (ETH Zurich), KS Mader, M. Stampanoni
  [หลักสูตร] [YouTube] [GitHub]

  การบรรยายมุ่งเน้นไปที่งานที่ท้าทายในการดึงตัวชี้วัดเชิงปริมาณที่แข็งแกร่งออกจากข้อมูลการถ่ายภาพ และมีวัตถุประสงค์เพื่อลดช่องว่างระหว่างการประมวลผลสัญญาณบริสุทธิ์และวิทยาศาสตร์เชิงทดลองของการถ่ายภาพ หลักสูตรนี้จะมุ่งเน้นไปที่เทคนิค ความสามารถในการขยายขนาด และการวิเคราะห์ที่ขับเคลื่อนด้วยวิทยาศาสตร์

คอมพิวเตอร์วิทัศน์เบื้องต้น

• หลักการแรกของคอมพิวเตอร์วิทัศน์ ศรี นายาร์
  [เว็บไซต์] [YouTube]

  First Principles of Computer Vision เป็นชุดการบรรยายที่นำเสนอโดย Shree Nayar ซึ่งเป็นอาจารย์ในภาควิชาวิทยาการคอมพิวเตอร์ คณะวิศวกรรมศาสตร์และวิทยาศาสตร์ประยุกต์ มหาวิทยาลัยโคลัมเบีย Computer Vision คือองค์กรแห่งการสร้างเครื่องจักรที่ "มองเห็น" ซีรีส์นี้มุ่งเน้นไปที่รากฐานของการมองเห็นทางกายภาพและคณิตศาสตร์ และออกแบบมาสำหรับนักเรียน ผู้ปฏิบัติงาน และผู้สนใจที่ไม่มีความรู้เกี่ยวกับการมองเห็นของคอมพิวเตอร์มาก่อน

• คอมพิวเตอร์วิทัศน์ CAP5415 (UCF), ดร. มูบารัค ชาห์
  [หลักสูตร 2012] [หลักสูตร 2014] [YouTube 2012] [YouTube 2014]

  หลักสูตรนี้เป็นระดับเบื้องต้น โดยจะครอบคลุมหัวข้อพื้นฐานของคอมพิวเตอร์วิทัศน์ และแนะนำแนวทางพื้นฐานบางประการสำหรับการวิจัยเกี่ยวกับคอมพิวเตอร์วิทัศน์

• รู้เบื้องต้นเกี่ยวกับคอมพิวเตอร์วิทัศน์ CS-6476 (Georgia Tech)
  [หลักสูตร] [ยูดาซิตี้]

• คอมพิวเตอร์วิทัศน์ EENG 512 (Colorado School of Mines), William Hoff
  [ยูทูป]

  หลักสูตรนี้ให้ภาพรวมของสาขานี้ โดยเริ่มจากการสร้างภาพและการประมวลผลภาพระดับต่ำ จากนั้นเราจะลงรายละเอียดเกี่ยวกับทฤษฎีและเทคนิคในการแยกคุณลักษณะต่างๆ ออกจากรูปภาพ การวัดรูปร่างและตำแหน่ง และการจดจำวัตถุ

• คอมพิวเตอร์วิทัศน์ 3 มิติ CS4277/CS5477 (มหาวิทยาลัยแห่งชาติสิงคโปร์), Gim Hee Lee
  [ยูทูป]

  หลักสูตรนี้เป็นหลักสูตรเบื้องต้นเกี่ยวกับ 3D Computer Vision ซึ่งบันทึกไว้สำหรับการเรียนรู้ออนไลน์ที่ NUS เนื่องจากสถานการณ์โควิด-19 หัวข้อที่ครอบคลุม ได้แก่: การบรรยายครั้งที่ 1: เรขาคณิตฉายภาพ 2D และ 1D การบรรยายครั้งที่ 2: การเคลื่อนไหวของร่างกายแข็งเกร็งและเรขาคณิตฉายภาพ 3 มิติ การบรรยายครั้งที่ 3: จุดวงกลมและทรงกรวยสัมบูรณ์ การบรรยายครั้งที่ 4: การประมาณค่าโฮโมกราฟีที่แข็งแกร่ง การบรรยายครั้งที่ 5: รุ่นของกล้องและการสอบเทียบ การบรรยายครั้งที่ 6: มาตรวิทยามุมมองเดียว การบรรยายครั้งที่ 7: เมทริกซ์พื้นฐานและจำเป็น การบรรยายครั้งที่ 8: การประมาณค่าแบบสัมบูรณ์จากจุดหรือเส้น การบรรยายครั้งที่ 9: เรขาคณิตสามมุมมองจากจุดและ/หรือเส้น การบรรยายครั้งที่ 10: โครงสร้างจากการเคลื่อนไหว (SfM) และการปรับมัด การบรรยายครั้งที่ 11: สเตอริโอสองมุมมองและหลายมุมมอง การบรรยายครั้งที่ 12: กล้องทั่วไป การบรรยายครั้งที่ 13: การปรับเทียบอัตโนมัติ

• เรขาคณิตหลายมุมมองในคอมพิวเตอร์วิทัศน์ (IT Sligo), Sean Mullery
  [ยูทูป]

• คอมพิวเตอร์วิทัศน์ (ไอไอที คานปูร์) ศาสตราจารย์ ชยันต มุกโภทัยย
  [คอร์ส]

  หลักสูตรนี้จะครอบคลุมทั้งทฤษฎีและการคำนวณที่เกี่ยวข้องกับเรขาคณิตของการถ่ายภาพ และการทำความเข้าใจฉาก นอกจากนี้ยังจะให้ความรู้เกี่ยวกับการจัดกลุ่ม การจำแนกประเภท และเทคนิคการเรียนรู้เชิงลึกที่ใช้ในพื้นที่นี้

• คอมพิวเตอร์วิทัศน์ CS-442 (EPFL), Pascal Fua
  [คอร์ส]

  ผู้เรียนจะได้รู้จักเทคนิคพื้นฐานของสาขาคอมพิวเตอร์วิทัศน์ พวกเขาจะได้เรียนรู้การใช้เทคนิคการประมวลผลภาพตามความเหมาะสม เราจะมุ่งเน้นไปที่ภาพขาวดำและสีที่ได้มาจากกล้องวิดีโอมาตรฐาน เราจะแนะนำเทคนิคการประมวลผลขั้นพื้นฐาน เช่น การตรวจจับขอบ การแบ่งส่วน การแสดงลักษณะพื้นผิว และการจดจำรูปร่าง

• คอมพิวเตอร์วิทัศน์ CS 543 (มหาวิทยาลัยอิลลินอยส์), Derek Hoiem
  [หลักสูตร] [บันทึก]

  ในหลักสูตรนี้ เราจะครอบคลุมแนวคิดพื้นฐานและอัลกอริทึมของคอมพิวเตอร์วิทัศน์หลายประการ: เรขาคณิตมุมมองเดียวและหลายมุมมอง การจัดแสง ตัวกรองเชิงเส้น พื้นผิว จุดสนใจ การติดตาม RANSAC การจัดกลุ่ม K-mean การแบ่งส่วน อัลกอริธึม EM การรับรู้ และอื่นๆ ในการบ้าน คุณจะต้องนำแนวคิดเหล่านี้ไปปฏิบัติจริง เนื่องจากหลักสูตรนี้เป็นหลักสูตรการสำรวจ เราจะไม่ลงลึกในหัวข้อใดๆ มากนัก แต่เมื่อสิ้นสุดหลักสูตร คุณควรเตรียมพร้อมสำหรับการตรวจสอบและการประยุกต์ใช้ที่เกี่ยวข้องกับการมองเห็นเพิ่มเติม

• คอมพิวเตอร์วิทัศน์สำหรับวิชวลเอฟเฟกต์ ECSE-6969, Richard Radke
  [หลักสูตร] [YouTube]

  หลักสูตรนี้เน้นหัวข้อการวิจัยที่รองรับวิชวลเอฟเฟกต์ขั้นสูงที่กำลังแพร่หลายมากขึ้นในโฆษณา มิวสิกวิดีโอ และภาพยนตร์ หัวข้อต่างๆ รวมถึงอัลกอริธึมการมองเห็นคอมพิวเตอร์แบบคลาสสิกที่ใช้เป็นประจำในฮอลลีวูด (เช่น การปูหน้าจอสีน้ำเงิน โครงสร้างจากการเคลื่อนไหว การไหลของแสง และการติดตามคุณสมบัติ) และการพัฒนาล่าสุดที่น่าตื่นเต้นที่สร้างพื้นฐานสำหรับเอฟเฟกต์ในอนาคต (เช่น การปูภาพตามธรรมชาติ การผสมภาพหลายภาพ การกำหนดเป้าหมายภาพใหม่ และการสังเคราะห์มุมมอง) นอกจากนี้เรายังหารือเกี่ยวกับเทคโนโลยีที่อยู่เบื้องหลังการจับภาพเคลื่อนไหวและการเก็บข้อมูลสามมิติ การวิเคราะห์วิดีโอเบื้องหลังและการสัมภาษณ์เชิงลึกกับศิลปินวิชวลเอฟเฟกต์ฮอลลีวูดเชื่อมโยงแนวคิดทางคณิตศาสตร์กับการสร้างภาพยนตร์ในโลกแห่งความเป็นจริง

• การประมวลผลภาพและคอมพิวเตอร์วิทัศน์ (CBCSL), Aleix M. Martinez
  [ยูทูป]

• ความลับโบราณของการมองเห็นคอมพิวเตอร์ (มหาวิทยาลัยวอชิงตัน), โจเซฟ เรดมอน
  [หลักสูตร] [YouTube]

  ชั้นเรียนนี้เป็นการแนะนำทั่วไปเกี่ยวกับคอมพิวเตอร์วิทัศน์ โดยครอบคลุมเทคนิคมาตรฐานในการประมวลผลภาพ เช่น การกรอง การตรวจจับขอบ สเตอริโอ โฟลว์ ฯลฯ (การมองเห็นแบบเก่า) รวมถึงคอมพิวเตอร์วิทัศน์ที่ใช้การเรียนรู้ของเครื่องรุ่นใหม่กว่า

วิทัศน์คอมพิวเตอร์ขั้นสูง

• คอมพิวเตอร์วิทัศน์ขั้นสูง CAP6412 (UCF), ดร. มูบารัค ชาห์
  [หลักสูตร 2019] [YouTube]

  นี่คือ Advanced Computer Vision ซึ่งจะทำให้นักศึกษาระดับบัณฑิตศึกษาได้สัมผัสกับการวิจัยที่ล้ำสมัย ในแต่ละชั้นเรียน เราจะอภิปรายงานวิจัยล่าสุดหนึ่งฉบับที่เกี่ยวข้องกับงานวิจัยปัจจุบัน โดยเฉพาะการใช้ Deep Learning คอมพิวเตอร์วิทัศน์เป็นงานวิจัยที่กระตือรือร้นมากมานานหลายทศวรรษ และนักวิจัยก็ได้ทำงานเพื่อแก้ไขปัญหาที่ท้าทายที่สำคัญ ในช่วงไม่กี่ปีที่ผ่านมา การเรียนรู้เชิงลึกที่เกี่ยวข้องกับโครงข่ายประสาทเทียมได้เข้ามาขัดขวางการมองเห็นของคอมพิวเตอร์ ด้วยการใช้การเรียนรู้เชิงลึก ความก้าวหน้าอย่างมากเกิดขึ้นในเวลาอันสั้นในการแก้ปัญหาที่ยากลำบาก และผลลัพธ์ที่น่าประทับใจมากได้รับในการจำแนกรูปภาพและวิดีโอ การแปลเป็นภาษาท้องถิ่น การแบ่งส่วนความหมาย ฯลฯ เทคนิคใหม่ ชุดข้อมูล ฮาร์ดแวร์และไลบรารีซอฟต์แวร์กำลังเกิดขึ้นเกือบทุก วัน. Deep Computer Vision ส่งผลต่อการวิจัยด้านวิทยาการหุ่นยนต์ ความเข้าใจภาษาธรรมชาติ คอมพิวเตอร์กราฟิก การวิเคราะห์หลายรูปแบบ ฯลฯ

• คอมพิวเตอร์วิทัศน์ 1: วิธีการเปลี่ยนแปลง (TU München) ศาสตราจารย์ Daniel Cremers
  [หลักสูตร] [YouTube]

  วิธีการแปรผันเป็นหนึ่งในเทคนิคคลาสสิกที่สุดในการปรับฟังก์ชันต้นทุนให้เหมาะสมในมิติที่สูงกว่า ความท้าทายหลายประการในคอมพิวเตอร์วิทัศน์และในขอบเขตการวิจัยอื่นๆ สามารถกำหนดเป็นวิธีการที่หลากหลายได้ ตัวอย่าง ได้แก่ การลดสัญญาณรบกวน การลดความเบลอ การแบ่งส่วนภาพ การติดตาม การประมาณการไหลของแสง การประมาณความลึกจากภาพสเตอริโอ หรือการสร้าง 3D ใหม่จากหลายมุมมอง

  ในชั้นเรียนนี้ ฉันจะแนะนำแนวคิดพื้นฐานของวิธีการแปรผัน แคลคูลัสออยเลอร์-ลากรองจ์ และสมการเชิงอนุพันธ์ย่อย ผมจะอภิปรายว่าความท้าทายด้านการมองเห็นของคอมพิวเตอร์และการวิเคราะห์ภาพตามลำดับสามารถนำมาเป็นปัญหาที่หลากหลายได้อย่างไร และจะแก้ไขได้อย่างไรอย่างมีประสิทธิภาพ ในช่วงท้ายของชั้นเรียน ฉันจะพูดถึงสูตรผสมแบบนูนและการผ่อนคลายแบบนูนซึ่งช่วยให้สามารถคำนวณวิธีแก้ปัญหาที่เหมาะสมที่สุดหรือใกล้เคียงที่สุดในสภาพแวดล้อมแบบแปรผันได้

• คอมพิวเตอร์วิทัศน์ II: เรขาคณิตหลายมุมมอง (TU München), ศาสตราจารย์ Daniel Cremers
  [หลักสูตร] [YouTube]

  การบรรยายจะแนะนำแนวคิดพื้นฐานของการสร้างภาพ - การฉายเปอร์สเปคทีฟและการเคลื่อนไหวของกล้อง เป้าหมายคือการสร้างโลกสามมิติขึ้นมาใหม่และการเคลื่อนไหวของกล้องจากหลายภาพ ด้วยเหตุนี้ เราจึงพิจารณาความสอดคล้องระหว่างจุดต่างๆ ในภาพต่างๆ และข้อจำกัดต่างๆ ที่เกี่ยวข้อง เพื่อให้สามารถคำนวณการเคลื่อนไหวและโครงสร้าง 3 มิติได้ การบรรยายเน้นเป็นพิเศษที่คำอธิบายทางคณิตศาสตร์เกี่ยวกับการเคลื่อนไหวของร่างกายที่แข็งแรงและการฉายภาพเปอร์สเปคทีฟ สำหรับการประมาณการเคลื่อนไหวของกล้องและเรขาคณิต 3 มิติ เราจะใช้ทั้งวิธีสเปกตรัมและวิธีการปรับให้เหมาะสมแบบไม่เชิงเส้น

• วิทัศน์คอมพิวเตอร์ขั้นสูง (CBCSL), Aleix M. Martinez
  [ยูทูป]

• บัณฑิตวิทยาลัยภาคฤดูร้อนด้านคอมพิวเตอร์วิทัศน์ (IPAM ที่ UCLA)
  [คอร์ส]

• Photogrammetry I & II (มหาวิทยาลัยบอนน์), Cyrill Stachniss
  [หลักสูตร] [YouTube]

• การตรวจจับอุปกรณ์พกพาและวิทยาการหุ่นยนต์ I (มหาวิทยาลัยบอนน์), Cyrill Stachniss
  [คอร์ส]

• Mobile Sensing And Robotics II (มหาวิทยาลัยบอนน์), Cyrill Stachniss
  [หลักสูตร] [YouTube]

• การทำแผนที่หุ่นยนต์ (มหาวิทยาลัยบอนน์), Cyrill Stachniss
  [หลักสูตร] [YouTube]

  การบรรยายจะครอบคลุมหัวข้อและเทคนิคต่างๆ ในบริบทของการสร้างแบบจำลองสภาพแวดล้อมด้วยหุ่นยนต์เคลื่อนที่ เราจะกล่าวถึงเทคนิคต่างๆ เช่น SLAM กับกลุ่มตัวกรองคาลมาน ตัวกรองข้อมูล ตัวกรองอนุภาค นอกจากนี้เรายังจะตรวจสอบแนวทางที่ใช้กราฟ การลดข้อผิดพลาดกำลังสองน้อยที่สุด เทคนิคสำหรับการจดจำสถานที่และการทำแผนที่ตามลักษณะที่ปรากฏ และการเชื่อมโยงข้อมูล

• ไบโอเมตริกซ์ (IIT Kanpur) ศาสตราจารย์ Phalguni Gupta
  [หลักสูตร] [YouTube]

  ความรู้เบื้องต้นเกี่ยวกับลักษณะและจุดมุ่งหมายของไบโอเมตริกซ์ พื้นฐานการประมวลผลภาพ การใช้งานภาพขั้นพื้นฐาน การกรอง การปรับปรุง การทำให้คมชัด การตรวจจับขอบ การปรับให้เรียบ การปรับปรุง การกำหนดขอบเขต การแปลเป็นภาษาท้องถิ่น อนุกรมฟูริเยร์, DFT, ตัวผกผันของ DFT ระบบไบโอเมตริกซ์ การระบุตัวตนและการตรวจสอบ FAR/FRR ปัญหาการออกแบบระบบ การระบุเชิงบวก/เชิงลบ ความปลอดภัยของระบบไบโอเมตริกซ์, โปรโตคอลการรับรองความถูกต้อง, การกระจายคะแนนที่ตรงกัน, เส้นโค้ง ROC, เส้นโค้ง DET, เส้นโค้ง FAR/FRR ข้อผิดพลาดโดยรวมที่คาดหวัง, EER, ตำนานเกี่ยวกับชีวมิติ และการบิดเบือนความจริง การเลือกไบโอเมตริกซ์ที่เหมาะสม คุณลักษณะไบโอเมตริกซ์ แผนภูมิ Zephyr ประเภทของไบโอเมตริกหลายรายการ การตรวจสอบระบบหลายโมเดล กลยุทธ์การทำให้เป็นมาตรฐาน วิธีการฟิวชั่น การระบุหลายโมเดล ความปลอดภัยของระบบไบโอเมตริกซ์ ช่องโหว่ของระบบไบโอเมตริกซ์ การหลบเลี่ยง การได้มาอย่างลับๆ การควบคุมคุณภาพ การสร้างเทมเพลต การทำงานร่วมกัน การจัดเก็บข้อมูล ระบบจดจำใบหน้า, ลายเซ็น, ลายนิ้วมือ, หู, ม่านตา ฯลฯ

การเรียนรู้เชิงลึกสำหรับการมองเห็นคอมพิวเตอร์

• CS231n Convolutional Neural Networks สำหรับการรู้จำภาพ (สแตนฟอร์ด)
  [หลักสูตร] [YouTube]

  หลักสูตรนี้เป็นการเจาะลึกรายละเอียดของสถาปัตยกรรมการเรียนรู้เชิงลึก โดยมุ่งเน้นที่การเรียนรู้แบบจำลองจากต้นทางถึงปลายทางสำหรับงานเหล่านี้ โดยเฉพาะการจัดหมวดหมู่รูปภาพ ในระหว่างหลักสูตร 10 สัปดาห์ นักเรียนจะได้เรียนรู้การใช้งาน ฝึกอบรม และแก้ไขข้อบกพร่องของโครงข่ายประสาทเทียมของตนเอง และได้รับความเข้าใจโดยละเอียดเกี่ยวกับการวิจัยล้ำสมัยในด้านคอมพิวเตอร์วิทัศน์ การมอบหมายขั้นสุดท้ายจะเกี่ยวข้องกับการฝึกอบรมเครือข่ายประสาทเทียมแบบหมุนวนพารามิเตอร์หลายล้านพารามิเตอร์ และนำไปใช้กับชุดข้อมูลการจำแนกประเภทรูปภาพที่ใหญ่ที่สุด (ImageNet) เราจะมุ่งเน้นไปที่การสอนวิธีการตั้งค่าปัญหาของการจดจำภาพ อัลกอริธึมการเรียนรู้ (เช่น การเผยแพร่กลับ) เทคนิคทางวิศวกรรมเชิงปฏิบัติสำหรับการฝึกอบรม และการปรับแต่งเครือข่าย และแนะนำนักเรียนผ่านการมอบหมายงานจริงและโครงงานหลักสูตรสุดท้าย ความเป็นมาและเนื้อหาส่วนใหญ่ของหลักสูตรนี้จะดึงมาจาก ImageNet Challenge

• การเรียนรู้เชิงลึกเพื่อการมองเห็นคอมพิวเตอร์ (มหาวิทยาลัยมิชิแกน), จัสติน จอห์นสัน
  [คอร์ส]

  หลักสูตรนี้เป็นการเจาะลึกรายละเอียดของวิธีการเรียนรู้เชิงลึกที่ใช้โครงข่ายประสาทเทียมสำหรับคอมพิวเตอร์วิทัศน์ ในระหว่างหลักสูตรนี้ นักเรียนจะได้เรียนรู้การใช้งาน ฝึกอบรม และแก้ไขข้อบกพร่องของโครงข่ายประสาทเทียมของตนเอง และได้รับความเข้าใจโดยละเอียดเกี่ยวกับการวิจัยที่ล้ำสมัยในด้านคอมพิวเตอร์วิทัศน์ เราจะครอบคลุมอัลกอริทึมการเรียนรู้ สถาปัตยกรรมโครงข่ายประสาทเทียม และเทคนิคทางวิศวกรรมเชิงปฏิบัติสำหรับการฝึกอบรมและปรับแต่งเครือข่ายสำหรับงานจดจำภาพ

• Convolutional Neural Networks ศาสตราจารย์ แอนดรูว์ อึ้ง
  [คอร์ส]

  หลักสูตรนี้จะสอนวิธีสร้างโครงข่ายประสาทเทียมแบบหมุนวนและนำไปใช้กับข้อมูลภาพ ด้วยการเรียนรู้เชิงลึก คอมพิวเตอร์วิทัศน์จึงทำงานได้ดีกว่าเมื่อสองปีที่แล้ว และช่วยให้สามารถใช้งานแอปพลิเคชันที่น่าตื่นเต้นมากมาย ตั้งแต่การขับขี่อัตโนมัติอย่างปลอดภัย การจดจำใบหน้าที่แม่นยำ ไปจนถึงการอ่านภาพรังสีวิทยาโดยอัตโนมัติ

• Convolutional Networks, เอียน กู๊ดเฟลโลว์
  [ยูทูป]

วิสัยทัศน์และการรับรู้ของมนุษย์

• ระบบประสาทสัมผัส 9.04 (MIT), ศาสตราจารย์ Peter H. Schiller, ศาสตราจารย์ M. Christian Brown
  [หลักสูตร] [YouTube]

  หลักสูตรนี้ตรวจสอบฐานประสาทของการรับรู้ทางประสาทสัมผัส มุ่งเน้นไปที่การศึกษาทางสรีรวิทยาและกายวิภาคของระบบประสาทของสัตว์เลี้ยงลูกด้วยนมตลอดจนการศึกษาพฤติกรรมของสัตว์และมนุษย์ หัวข้อต่างๆ ได้แก่ รูปแบบการมองเห็น การรับรู้สีและความลึก การตอบสนองทางการได้ยินและการแปลเสียงเฉพาะที่ และการรับรู้ทางกายและประสาทสัมผัส

• การรับรู้ทางสายตาและสมอง (มหาวิทยาลัยดุ๊ก), เดล เพอร์เวส
  [คอร์ส]

  ผู้เรียนจะได้เรียนรู้ถึงปัญหาที่การมองเห็นต้องเผชิญ โดยใช้การรับรู้เป็นแนวทาง หลักสูตรนี้จะพิจารณาว่าสิ่งที่เรามองเห็นเกิดขึ้นจากระบบการมองเห็นได้อย่างไร ปัญหาสำคัญในการมองเห็นคืออะไร และการรับรู้ทางสายตาบ่งชี้วิธีการทำงานของสมองอย่างไร หลักฐานจะมาจากประสาทวิทยาศาสตร์ จิตวิทยา ประวัติความเป็นมาของวิทยาศาสตร์การมองเห็น และสิ่งที่ปรัชญามีส่วนร่วม แม้ว่าการอภิปรายจะได้รับแจ้งจากกายวิภาคและสรีรวิทยาของระบบการมองเห็น แต่จุดเน้นอยู่ที่การรับรู้ เราเห็นโลกทางกายภาพในรูปแบบที่แปลก และเป้าหมายคือการทำความเข้าใจว่าทำไม

• วิสัยทัศน์ระดับสูง (CBCSL)
  [ยูทูป]

การเรียนรู้ของเครื่อง

• Machine Learning CS229 (Stanford), ศาสตราจารย์ แอนดรูว์ อึ้ง
  [หลักสูตร] [YouTube]

  หลักสูตรนี้ให้ข้อมูลเบื้องต้นแบบกว้างๆ เกี่ยวกับการเรียนรู้ของเครื่องและการจดจำรูปแบบทางสถิติ หัวข้อต่างๆ ได้แก่: การเรียนรู้แบบมีผู้สอน (การเรียนรู้แบบกำเนิด/แบบเลือกปฏิบัติ, การเรียนรู้แบบพาราเมตริก/แบบไม่มีพารามิเตอร์, โครงข่ายประสาทเทียม, เครื่องเวกเตอร์สนับสนุน); การเรียนรู้แบบไม่มีผู้ดูแล (การจัดกลุ่ม การลดขนาด วิธีเคอร์เนล) ทฤษฎีการเรียนรู้ (การแลกเปลี่ยนอคติ/ความแปรปรวน ทฤษฎี VC อัตรากำไรขั้นต้นสูง) การเรียนรู้แบบเสริมกำลังและการควบคุมแบบปรับตัว หลักสูตรนี้ยังจะกล่าวถึงการประยุกต์ใช้การเรียนรู้ของเครื่องล่าสุด เช่น การควบคุมหุ่นยนต์ การทำเหมืองข้อมูล การนำทางอัตโนมัติ ชีวสารสนเทศศาสตร์ การรู้จำเสียง และการประมวลผลข้อมูลข้อความและเว็บ

• Machine Learning CS156 (Caltech), ศ. Yaser Abu-Mostafa
  [หลักสูตร] [YouTube]

  หลักสูตรนี้เป็นหลักสูตรเบื้องต้นโดยศาสตราจารย์ Yaser Abu-Mostafa จาก Caltech เกี่ยวกับแมชชีนเลิร์นนิงที่ครอบคลุมทฤษฎีพื้นฐาน อัลกอริทึม และแอปพลิเคชัน การเรียนรู้ของเครื่อง (ML) ช่วยให้ระบบคอมพิวเตอร์สามารถปรับเปลี่ยนประสิทธิภาพด้วยประสบการณ์ที่สะสมจากข้อมูลที่สังเกตได้ เทคนิค ML ถูกนำมาใช้อย่างกว้างขวางในด้านวิศวกรรม วิทยาศาสตร์ การเงิน และการพาณิชย์ เพื่อสร้างระบบที่เราไม่มีข้อกำหนดทางคณิตศาสตร์ที่ครบถ้วน (และครอบคลุมระบบจำนวนมาก) หลักสูตรนี้สร้างสมดุลระหว่างทฤษฎีและการปฏิบัติ และครอบคลุมทั้งด้านคณิตศาสตร์และฮิวริสติก

• การเรียนรู้ของเครื่องเพื่อคอมพิวเตอร์วิทัศน์ (มหาวิทยาลัยไฮเดลเบิร์ก) ศาสตราจารย์ เฟรด แฮมเพรชต์
  [หลักสูตร] [YouTube]

  หลักสูตรนี้ครอบคลุมวิธีการเรียนรู้ของเครื่องขั้นสูงที่เรียกว่า "การทำนายแบบมีโครงสร้าง" เป้าหมายคือการคาดการณ์หลายครั้งซึ่งมีปฏิสัมพันธ์ในลักษณะที่ไม่ไม่สำคัญ และเราคำนึงถึงปฏิสัมพันธ์เหล่านี้ทั้งในระหว่างการฝึกอบรมและในเวลาทดสอบ

• การเรียนรู้ของเครื่องสำหรับหุ่นยนต์และคอมพิวเตอร์วิทัศน์ (TU München), ดร. รูดอล์ฟ ทรีเบล
  [หลักสูตร] [YouTube]

  ในการบรรยายนี้ นักเรียนจะได้เรียนรู้เกี่ยวกับวิธีการเรียนรู้ของเครื่องที่ใช้บ่อยที่สุดในแอปพลิเคชันคอมพิวเตอร์วิทัศน์และหุ่นยนต์ จุดมุ่งหมายหลักของการบรรยายคือการได้รับภาพรวมโดยกว้างของวิธีการที่มีอยู่ และเพื่อทำความเข้าใจแรงจูงใจและแนวคิดหลักในบริบทของการมองเห็นคอมพิวเตอร์และการจดจำรูปแบบ

• การเรียนรู้ของเครื่องสำหรับระบบอัจฉริยะ CS4780 (Cornell), ศาสตราจารย์ Killian Weberger
  [หลักสูตร] [YouTube]

  เป้าหมายของหลักสูตรนี้คือการให้ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง หลักสูตรนี้จะสอนทักษะพื้นฐานในการตัดสินใจเลือกอัลกอริทึมการเรียนรู้ที่จะใช้สำหรับปัญหาใด เขียนโค้ดอัลกอริทึมการเรียนรู้ของคุณเอง และประเมินและแก้ไขข้อบกพร่อง

• ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่องและการจดจำรูปแบบ (CBCSL), Aleix M. Martinez
  [ยูทูป]

• การเรียนรู้ของเครื่องประยุกต์ COMS W4995 (โคลัมเบีย), Andreas C. Müller
  [หลักสูตร] [YouTube]

  ชั้นเรียนนี้นำเสนอแนวทางการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลแบบลงมือปฏิบัติจริง ชั้นเรียนอภิปรายถึงการประยุกต์ใช้วิธีการเรียนรู้ของเครื่อง เช่น SVM, Random Forests, Gradient Boosting และโครงข่ายประสาทเทียมบนชุดข้อมูลในโลกแห่งความเป็นจริง รวมถึงการเตรียมข้อมูล การเลือกแบบจำลอง และการประเมินผล คลาสนี้มาเสริม COMS W4721 โดยอาศัยการใช้งานโอเพ่นซอร์สที่มีอยู่ใน scikit-learn และ tensor flow สำหรับการใช้งานทั้งหมด นอกเหนือจากการใช้โมเดลแล้ว เรายังจะหารือเกี่ยวกับเครื่องมือและแนวปฏิบัติในการพัฒนาซอฟต์แวร์ที่เกี่ยวข้องกับการผลิตโมเดลการเรียนรู้ของเครื่อง

• การเรียนรู้ของเครื่องความน่าจะเป็นและสถิติ (มหาวิทยาลัยTübingen), Prof. Philipp Hennig, Prof. U. von Luxburg
  [หลักสูตร] [YouTube]

  จุดเน้นของการบรรยายคือทั้งด้านอัลกอริธึมและทฤษฎีของการเรียนรู้ของเครื่อง เราจะครอบคลุมอัลกอริทึมมาตรฐานหลายประการ และเรียนรู้เกี่ยวกับหลักการทั่วไปและผลลัพธ์ทางทฤษฎีสำหรับการสร้างอัลกอริทึมการเรียนรู้ของเครื่องที่ดี หัวข้อมีตั้งแต่ผลลัพธ์ที่เป็นที่ยอมรับไปจนถึงผลลัพธ์ล่าสุด

• ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่องสำหรับผู้เขียนโค้ด (fast.ai) เจเรมี ฮาวเวิร์ด
  [หลักสูตร] [YouTube]

  สอนโดย Jeremy Howard (ผู้แข่งขันอันดับ 1 ของ Kaggle เป็นเวลา 2 ปีติดต่อกันและเป็นผู้ก่อตั้ง Enlitic) เรียนรู้โมเดลแมชชีนเลิร์นนิงที่สำคัญที่สุด รวมถึงวิธีสร้างโมเดลด้วยตนเองตั้งแต่เริ่มต้น ตลอดจนทักษะสำคัญในการจัดเตรียมข้อมูล การตรวจสอบโมเดล และการสร้างผลิตภัณฑ์ข้อมูล มีบทเรียนประมาณ 24 ชั่วโมง และคุณควรวางแผนที่จะใช้เวลาประมาณ 8 ชั่วโมง ชั่วโมงต่อสัปดาห์เป็นเวลา 12 สัปดาห์เพื่อให้เนื้อหาสมบูรณ์ หลักสูตรนี้อิงจากบทเรียนที่บันทึกไว้ที่มหาวิทยาลัยซานฟรานซิสโกสำหรับหลักสูตรวิทยาศาสตรมหาบัณฑิตสาขาวิชาวิทยาศาสตร์ข้อมูล เราถือว่าคุณมีประสบการณ์ในการเขียนโค้ดอย่างน้อยหนึ่งปี และจดจำสิ่งที่คุณเรียนรู้ในวิชาคณิตศาสตร์ระดับมัธยมศึกษาตอนปลาย หรือเตรียมพร้อมที่จะทำการศึกษาอิสระเพื่อฟื้นฟูความรู้ของคุณ

• การเรียนรู้ของเครื่องเบื้องต้น ECE 5984 (Virginia Tech) ศาสตราจารย์ Dhruv Batra
  [หลักสูตร] [YouTube]

การเรียนรู้เชิงลึก

• Deep Learning CS230 (Stanford), ศาสตราจารย์ Andrew Ng, Kian Katanforoosh
  [หลักสูตร] [YouTube]

  Deep Learning เป็นหนึ่งในทักษะด้าน AI ที่เป็นที่ต้องการมากที่สุด ในหลักสูตรนี้ คุณจะได้เรียนรู้รากฐานของการเรียนรู้เชิงลึก เข้าใจวิธีสร้างโครงข่ายประสาทเทียม และเรียนรู้วิธีเป็นผู้นำโปรเจ็กต์แมชชีนเลิร์นนิงที่ประสบความสำเร็จ คุณจะได้เรียนรู้เกี่ยวกับเครือข่าย Convolutional, RNN, LSTM, Adam, Dropout, BatchNorm, การเริ่มต้น Xavier/He และอื่นๆ อีกมากมาย

• ความเชี่ยวชาญด้านการเรียนรู้เชิงลึก ศาสตราจารย์ Andrew Ng, Kian Katanforoosh
  [คอร์ส]

  ใน 5 หลักสูตร คุณจะได้เรียนรู้พื้นฐานของ Deep Learning เข้าใจวิธีสร้างโครงข่ายประสาทเทียม และเรียนรู้วิธีเป็นผู้นำโครงการ Machine Learning ที่ประสบความสำเร็จ คุณจะได้เรียนรู้เกี่ยวกับเครือข่าย Convolutional, RNN, LSTM, Adam, Dropout, BatchNorm, การเริ่มต้น Xavier/He และอื่นๆ อีกมากมาย คุณจะได้ทำงานเกี่ยวกับกรณีศึกษาจากการดูแลสุขภาพ การขับรถอัตโนมัติ การอ่านภาษามือ การสร้างเพลง และการประมวลผลภาษาธรรมชาติ คุณจะเชี่ยวชาญไม่เพียงแต่ทฤษฎีเท่านั้น แต่ยังได้เห็นว่ามันถูกนำไปใช้ในอุตสาหกรรมอย่างไรอีกด้วย คุณจะได้ฝึกฝนแนวคิดเหล่านี้ทั้งหมดใน Python และใน TensorFlow ซึ่งเราจะสอน

• การเรียนรู้เชิงลึก EE-559 (EPFL), François Fleuret
  [คอร์ส]

  หลักสูตรนี้เป็นการแนะนำการเรียนรู้เชิงลึกโดยละเอียด โดยมีตัวอย่างในเฟรมเวิร์ก PyTorch: วัตถุประสงค์ของการเรียนรู้ของเครื่องและความท้าทายหลัก การทำงานของเทนเซอร์ การสร้างความแตกต่างอัตโนมัติ การไล่ระดับลง เทคนิคเฉพาะสำหรับการเรียนรู้เชิงลึก (แบทช์นอร์ม การออกกลางคัน เครือข่ายที่เหลือ) การทำความเข้าใจรูปภาพ , แบบจำลองกำเนิด, แบบจำลองกำเนิดที่ขัดแย้งกัน, แบบจำลองที่เกิดซ้ำ, แบบจำลองความสนใจ, NLP

• ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึก 6.S191 (MIT), Alexander Amini และ Ava Soleimany
  [หลักสูตร] [YouTube]

  หลักสูตรเบื้องต้นของ MIT เกี่ยวกับวิธีการเรียนรู้เชิงลึกพร้อมการประยุกต์ใช้กับคอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ ชีววิทยา และอีกมากมาย! นักเรียนจะได้รับความรู้พื้นฐานเกี่ยวกับอัลกอริธึมการเรียนรู้เชิงลึก และได้รับประสบการณ์เชิงปฏิบัติในการสร้างโครงข่ายประสาทเทียมใน TensorFlow ปิดท้ายหลักสูตรด้วยการแข่งขันเสนอโครงการพร้อมผลตอบรับจากเจ้าหน้าที่และคณะผู้ให้การสนับสนุนในอุตสาหกรรม ข้อกำหนดเบื้องต้นถือว่าแคลคูลัส (เช่น การหาอนุพันธ์) และพีชคณิตเชิงเส้น (เช่น การคูณเมทริกซ์) เราจะพยายามอธิบายเรื่องอื่นไปพร้อมกัน! ประสบการณ์ใน Python มีประโยชน์แต่ไม่จำเป็น

• การเรียนรู้เชิงลึกเชิงปฏิบัติสำหรับผู้เขียนโค้ด (fast.ai), เจเรมี ฮาวเวิร์ด
  [หลักสูตร] [YouTube]

  การเรียนรู้เชิงลึกสำหรับผู้เขียนโค้ดด้วย fastai และ PyTorch: แอปพลิเคชัน AI ที่ไม่มีปริญญาเอก

• การเรียนรู้เชิงลึกเพื่อการรับรู้ ECE 6504 (Virginia Tech), ศ. Dhruv Batra
  [หลักสูตร] [YouTube]

  หลักสูตรนี้จะทำให้นักเรียนได้สัมผัสกับการวิจัยที่ล้ำสมัย เริ่มจากการทบทวนความรู้พื้นฐานของโครงข่ายประสาทเทียม ไปจนถึงการพัฒนาล่าสุด

• การบรรยายการเรียนรู้เชิงลึกและปัญญาประดิษฐ์ (MIT)
  [หลักสูตร] [YouTube]

• รู้เบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึก 11-785 (มหาวิทยาลัยคาร์เนกี้เมลลอน)
  [หลักสูตร] [YouTube]

  ในหลักสูตรนี้ เราจะเรียนรู้เกี่ยวกับพื้นฐานของ Deep Neural Network และการประยุกต์กับงาน AI ต่างๆ เมื่อจบหลักสูตร คาดว่านักเรียนจะมีความคุ้นเคยอย่างมากกับวิชานี้ และสามารถประยุกต์การเรียนรู้เชิงลึกกับงานต่างๆ ได้ พวกเขายังจะอยู่ในตำแหน่งที่จะเข้าใจวรรณกรรมปัจจุบันในหัวข้อนี้และขยายความรู้ผ่านการศึกษาเพิ่มเติม

คอมพิวเตอร์กราฟฟิก

• คอมพิวเตอร์กราฟิก มช. 15-462/662 (มหาวิทยาลัยคาร์เนกี้เมลลอน)
  [เว็บไซต์] [YouTube]

  วิดีโอบรรยายสำหรับชั้นเรียนคอมพิวเตอร์กราฟิกเบื้องต้นที่ Carnegie Mellon University

• คอมพิวเตอร์กราฟิกส์ (มหาวิทยาลัยอูเทรคต์), Wolfgang Huerst
  [ยูทูป]

  บันทึกจากการบรรยายเบื้องต้นเกี่ยวกับคอมพิวเตอร์กราฟิก จัดทำโดย Wolfgang Hürst มหาวิทยาลัย Utrecht ประเทศเนเธอร์แลนด์ ตั้งแต่เดือนเมษายน 2555 ถึงเดือนมิถุนายน 2555

• คอมพิวเตอร์กราฟิก ECS175 (UC Davis), ศาสตราจารย์ เคนเน็ธ จอย
  [ยูทูป]

  คอมพิวเตอร์กราฟิก (ECS175) สอนหลักการพื้นฐานของคอมพิวเตอร์กราฟิก 3 มิติ เนื้อหาจะเน้นไปที่เทคนิคทางคณิตศาสตร์เบื้องต้นสำหรับการวางตำแหน่งวัตถุในพื้นที่สามมิติ เลนส์เชิงเรขาคณิตที่จำเป็นในการพิจารณาว่าแสงสะท้อนจากพื้นผิวอย่างไร และวิธีการใช้ระบบคอมพิวเตอร์และวิธีการใช้อัลกอริธึมและเทคนิคที่จำเป็นในการสร้างพื้นฐาน 3- ภาพประกอบที่มีมิติ หัวข้อโดยละเอียดจะประกอบด้วยหัวข้อต่อไปนี้: เรขาคณิตการเปลี่ยนแปลง การวางตำแหน่งของกล้องเสมือนและแหล่งกำเนิดแสง การสร้างแบบจำลองแบบลำดับชั้นของวัตถุที่ซับซ้อน การเรนเดอร์แบบจำลองที่ซับซ้อน อัลกอริธึมการแรเงา และวิธีการในการเรนเดอร์และการแรเงาวัตถุโค้ง

• คอมพิวเตอร์กราฟิก CS184 (UC Berkeley), Ravi Ramamoorthi
  [คอร์ส]

  หลักสูตรนี้เป็นการแนะนำพื้นฐานของคอมพิวเตอร์กราฟิก 3 มิติ หัวข้อที่ครอบคลุม ได้แก่ การแปลง 2D และ 3D, การเขียนโปรแกรมกราฟิก 3D แบบโต้ตอบด้วย OpenGL, โมเดลการแรเงาและการจัดแสง, การสร้างแบบจำลองทางเรขาคณิตโดยใช้เส้นโค้ง Bézier และ B-Spline, การเรนเดอร์คอมพิวเตอร์กราฟิกรวมถึง Ray Tracing และการส่องสว่างทั่วโลก, การประมวลผลสัญญาณสำหรับการลบรอยหยักและการทำแผนที่พื้นผิว และแอนิเมชั่นและจลนศาสตร์ผกผัน โดยจะเน้นทั้งด้านคณิตศาสตร์และเรขาคณิตของกราฟิก ตลอดจนความสามารถในการเขียนโปรแกรมกราฟิก 3 มิติที่สมบูรณ์

• หลักสูตร Rendering / Ray Tracing (TU Wien), Károly Zsolnai-Fehér
  [หลักสูตร] [YouTube]

  หลักสูตรนี้มีจุดมุ่งหมายเพื่อให้ภาพรวมของวิธีการเรนเดอร์พื้นฐานและล้ำสมัย มีการแนะนำวิธีการออฟไลน์ เช่น การติดตามรังสีและเส้นทาง การทำแผนที่โฟตอน และอัลกอริธึมอื่นๆ อีกมากมาย และมีการอธิบายการปรับแต่งต่างๆ มีการสรุปพื้นฐานของฟิสิกส์ที่เกี่ยวข้อง เช่น ทัศนศาสตร์เชิงเรขาคณิต ปฏิกิริยาระหว่างพื้นผิวและสื่อกับแสงและกล้อง มีการแนะนำเครื่องมือของ Monte Carlo ซึ่งใช้อย่างมากในอัลกอริทึมหลายอย่างและการปรับแต่งในรูปแบบของการสุ่มตัวอย่างแบบแบ่งชั้นและวิธีการของ Metropolis-Hastings