Kamalika Some作者

2019年最佳计算机视觉课程推荐


除了 CS231n,你还可以看哪些?

随着人工智能成为当今时代的流行词汇,企业竞相角逐,努力把握并适应人工智能带来的种种变化。在求职过程中,很多年轻的专业人士想要在数据科学机器学习行业获得蒸蒸日上的事业,因此他们想要学习最新的人工智能课程并将学习经历添加到简历中,从而在竞争中拔得头筹。

但遗憾的是,专业人士往往受限于时间,因此搜索一些最佳的网络课程成为最终解决方案,你可以在适当的时候学习这些课程并向专业迈出自己的一步。

在所有颠覆性技术中,计算机视觉领域吸引了专业人士和学术界最大的关注。以下是为大家推荐的 2019 年最佳计算机视觉课程,希望为那些想继续学习但受限于时间的专业人士提供参考:

  • 课程:Python Project: Pillow, Tesseract, Opencv By University of Michigan

  • 链接:https://www.coursera.org/learn/python-project

  • 讲师:Christopher Brooks(密歇根大学)

  • 密歇根大学开设的这门 Python Project 是一门中级课程,课程对象是那些想要在计算机视觉领域打稳基础的学员,课程可在 Coursera 在线平台观看。在该课程中,你可以了解到第三方 API 相关知识,使用 Python 图像库处理图像,将光学字符识别应用于图像,从而使用 OpenCV 库识别文本和人脸。你将在课程学习中用到图像库,并执行文本剪切、尺寸调整和覆盖操作。整个课程合理地分为几个部分,易于学员跟上进度。切记,你必须通过分级评估才能获得课程认证,也才有机会完成整个课程项目。

  • 课程:Deep Learning: Advanced Computer Vision

  • 链接:https://www.udemy.com/advanced-computer-vision/

  • 讲师:Lazy Programmer Inc.

  • 在该课程中,你可以学习如何创建目标检测系统,该系统可以定位目标、预测其标签并将图像进行分类。课程中的所有主题都非常详尽,还包含有适当的例子和展示。课程中用到的代码都可以从 GitHub 上下载。该课程涵盖 67 讲,终身有效,可以在 Udemy 在线学习平台上购买。

  • 课程:Computer Vision Certification by State University of New York

  • 链接:https://www.coursera.org/specializations/computervision

  • 讲师:Radhakrishna Dasari、Junsong Yuan(纽约州立大学法布罗分校)

  • 这一专项课程旨在帮你打下坚实的研究基础。在该课程中,你将探索实现视觉应用的基本要素,从编辑图像到自动驾驶汽车读取交通信号,再到工业机器人与人类协作。此外,你还有机会通过在线实验室来获得编写计算机视觉代码的实践经验,该实验室使用 MATLAB 并支持工具箱。课程中的概念、公式都有详尽的文本、图表做出解释。如果想要获得认证,你必须参加分级评估和测试。

  • 课程:Convolutional Neural Networks

  • 讲师:吴恩达等人

  • 链接:https://www.coursera.org/learn/convolutional-neural-networks

  • 卷积神经网络(Coursera)课程包含构建卷积神经网络所需的关键特性和概念。此外,调试代码的技巧、建议和最佳实践也包含在内。你可以通过课程演示和逐步的指导来学习,同时有机会完成作业并应用课堂上介绍的技术。该课程分为几个部分,还附有几个小评估和问题,以便学员容易跟上。要获得结业证书,你需要完成所有的分级评估和练习。

  • 课程:Deep Learning and Computer Vision A-Z: OpenCV, SSD & GANs

  • 讲师:Hadelin de Ponteves 等人

  • 链接:https://www.udemy.com/course/computer-vision-a-z/

  • 这一课程将带你进入人工智能世界,学会如何使用最新技术开发出强大的 app。在该课程中,你可以探索方法、基本概念和开发过程,并在实践中应用理论。目前这一课程已经获得了超过 2 万次评分,而且分数很高。这门课程的讲师都是知名专家,他们会使用多种示例来解释概念,这些示例有助于你对课程主题有更清楚的了解。这一课程目前有 78 讲,另有 7 篇文章和 5 个下载源。

原文链接:https://www.analyticsinsight.net/best-computer-vision-courses-to-master-in-2019/


入门吴恩达课程计算机视觉
9
相关数据
吴恩达人物

斯坦福大学教授,人工智能著名学者,机器学习教育者。2011年,吴恩达在谷歌创建了谷歌大脑项目,以通过分布式集群计算机开发超大规模的人工神经网络。2014年5月16日,吴恩达加入百度,负责“百度大脑”计划,并担任百度公司首席科学家。2017年3月20日,吴恩达宣布从百度辞职。2017年12月,吴恩达宣布成立人工智能公司Landing.ai,并担任公司的首席执行官。2018年1月,吴恩达成立了投资机构AI Fund。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

光学字符识别技术

光学字符识别是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程。在这个过程中,手写的、打印的等多种类型的图像被转换为机器编码的文本,这些含有文字信息的图像可以是扫描而来,也可以是场景文本——如照片中出现的广告牌文字 (scene text),或者叠加在图像上的文字 (overlay text)——如电视节目中常见的字幕等等。光学字符识别是一种将印刷文本数字化的常用方法,可以对其进行电子编辑、搜索、更紧凑地存储、在线显示,并用于认知计算、机器翻译、(提取)文本到语音、 关键数据和文本挖掘。 OCR是模式识别人工智能和计算机视觉领域的一个重要的研究领域。

SSD技术

一种计算机视觉模型。论文发表于 2015 年(Wei Liu et al.)

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

OpenCV技术

OpenCV的全称是Open Source Computer Vision Library,是一个跨平台的计算机视觉库。OpenCV是由英特尔公司发起并参与开发,以BSD许可证授权发行,可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。

工业机器人技术

工业机器人是面向工业加工制造的可自动控制,多用途,需有三轴及以上可编程的固定或可移动机械手。其系统中包括带有执行机构的机械手以及示教控制器。 它可以依靠自身控制能力来执行预设的轨迹及动作。典型应用包括焊接,刷漆,组装,采集和放置等工作。工业机器人完成工作具有高效性,持久性和准确性。目前常用的工业机器人包括关节机器人,SCARA机器人,并联机器人和直角坐标机器人等。

在线学习技术

在计算机科学中,在线学习是一种机器学习方法。和立即对整个训练数据集进行学习的批处理学习技术相反,在线学习的数据按顺序可用,并在每个步骤使用未来数据更新最佳预测器。

目标检测技术

一般目标检测(generic object detection)的目标是根据大量预定义的类别在自然图像中确定目标实例的位置,这是计算机视觉领域最基本和最有挑战性的问题之一。近些年兴起的深度学习技术是一种可从数据中直接学习特征表示的强大方法,并已经为一般目标检测领域带来了显著的突破性进展。

推荐文章
暂无评论
暂无评论~