|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/iniciacion-a-computer-vision-con-machine-deep-learning-en-r/
课程评论：没有评论
课程名称：R语言计算机视觉入门：机器学习与深度学习 课程概述：计算机视觉是编程自创立以来的主要目标之一，尤其是在自动化处理被引入到生产线之后。其应用范围广泛，从通过色彩区分水果成熟度到生物特征识别、光学心率监测，及车牌识别等，计算机视觉的使用仅受限于人类的想象力。近年来，随着数据科学知识的增加，新的（也有一些不那么新的）学习方法被开发出来，使机器能够基于图像处理做出决策。机器学习和深度学习的出现更进一步提升了机器的自主性。 在本课程中，我们将使用一个著名的数据集MNIST，它包含60,000个手写数字的示例及其相应的标签。每个数字由一个28x28的像素矩阵构成，像素值范围为0到255，表示笔迹的强度。我们将分析多种机器学习方法和算法，例如朴素贝叶斯、随机森林、支持向量机、K近邻算法及信息预处理系统，如主成分分析（PCA）、奇异值分解（SVD）和方向梯度直方图（HOG）。此外，我们还将使用一些深度学习系统，如H2O和Google的TensorFlow来处理图像信息。 希望大家喜欢这个课程，享受学习计算机视觉以及深度和自动学习的乐趣。
La Visión por Computador o Computer Vision (en inglés) es uno de los primeros objetivos que tuvo la programación desde sus inicios y, sobre todo, desde que se planteó la utilización del procesado automático en las cadenas de montaje. Desde discriminar la madurez de las frutas por su color, hasta reconocer patrones biométricos, pasando por los pulsómetros ópticos, o el reconocimiento de matrículas. Las utilidades de la Visión por Computador están sólo limitadas por la imaginación humana. En los últimos años, con el aumento del conocimiento en la denominada Ciencia de los Datos, se han desarrollados nuevos (y no tan nuevos) métodos de Aprendizaje para que sean las máquinas las que puedan tomar decisiones en base al procesado de la imagen que sus ojos tecnológicos les proporciona. El Machine Learning y, el siguiente paso, el Deep Learning ha supuesto una ventaja mayor si cabe en la autonomía de las máquinas. Trabajaremos con un famoso set de datos denominado MNIST, y que contiene 60.000 ejemplos de números manuscritos con su correspondiente etiqueta del número que representan. Cada número esta formado por una matriz de píxeles de 28x28 con valores entre 0 y 255 para la intensidad del trazo. En el curso vamos a analizar una buena cantidad de métodos y algoritmos de Machine Learning, como Naïve Bayes, Random Forest, Support Vector Machine, K Nearest Neighbours o Redes Neuronales y sistemas de pre-procesado de la información, como PCA, SVD o HOG. También trabajaremos algunos sistemas de Deep Learning, como H2O o Tensor Flow (de Google) para el tratamiento de esta información de imágenes. Espero que os guste el curso y que disfrutéis aprendiendo los entresijos de la Visión por Computador y el Aprendizaje Profundo y Automático.
