Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à la vision par ordinateur
- Aperçu des applications de la vision par ordinateur
- Compréhension des données et des formats d'images
- Défis dans les tâches de vision par ordinateur
Introduction aux réseaux neuronaux convolutifs (CNN)
- Qu'est-ce qu'un CNN ?
- Architecture des CNN : couches de convolution, pooling et couches entièrement connectées
- Comment les CNN sont utilisés en vision par ordinateur
Pratique avec TensorFlow et Google Colab
- Configuration de l'environnement dans Google Colab
- Utilisation de TensorFlow pour la construction de modèles
- Construction d'un modèle CNN simple dans TensorFlow
Techniques avancées de CNN
- Apprentissage par transfert pour les CNN
- Affinage des modèles pré-entraînés
- Techniques d'augmentation des données pour améliorer les performances
Prétraitement et augmentation des images
- Techniques de prétraitement des images (mise à l'échelle, normalisation, etc.)
- Augmentation des données d'images pour un meilleur entraînement du modèle
- Utilisation du pipeline de données d'images de TensorFlow
Construction et déploiement de modèles de vision par ordinateur
- Entraînement des CNN pour la classification d'images
- Évaluation et validation des performances du modèle
- Déploiement des modèles dans des environnements de production
Applications réelles de la vision par ordinateur
- Vision par ordinateur dans la santé, la vente au détail et la sécurité
- Détection et reconnaissance d'objets alimentées par l'IA
- Utilisation des CNN pour la reconnaissance faciale et gestuelle
Résumé et prochaines étapes
Pré requis
- Expérience avec la programmation Python
- Compréhension des concepts d'apprentissage profond
- Connaissances de base des réseaux neuronaux convolutifs (CNN)
Audience
- Scientifiques des données
- Praticiens de l'IA
21 Heures
