BEST

Dự án nhận dạng biển số xe và nhận dạng hình ảnh deep learning tất cả trong một được học với TensorFlow

Name: Dự án nhận dạng biển số xe và nhận dạng hình ảnh deep learning tất cả trong một được học với TensorFlow
Price: 141900 KRW

Đây là khóa học tất cả trong một cho phép bạn tìm hiểu toàn bộ quá trình từ kiến thức cơ bản về học sâu/TensorFlow/thị giác máy tính đến các ứng dụng thực tế cùng một lúc thông qua dự án thực tế nhận dạng biển số xe. Thông qua nhiều bài tập khác nhau, bạn có thể phát triển các kỹ năng thực tế để áp dụng các mô hình deep learning mới nhất vào các tập dữ liệu tùy chỉnh.

(4.7) 70 đánh giá

664 học viên

AISchool

Tensorflow

Deep Learning(DL)

Machine Learning(ML)

CNN

NLP

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

Cách tiến hành các dự án thực tế deep learning ngoài các dự án cơ bản như MNIST, CIFAR-10, v.v.
Cách áp dụng mô hình học sâu mới nhất cho tập dữ liệu tùy chỉnh
Học tập từng bước từ các khái niệm cơ bản về học sâu/học máy đến các ứng dụng thực tế
Hiểu biết sâu sắc về cấu trúc mô hình deep learning được đề xuất trong các bài báo mới nhất (EfficientNet, CenterNet, EAST, ...)
Nguyên tắc và cách sử dụng các mô hình học sâu mới nhất được sử dụng trong các lĩnh vực vấn đề về thị giác máy tính khác nhau như Phát hiện đối tượng, Phát hiện văn bản, OCR, Chú thích hình ảnh và Mô hình tổng hợp
Cách cải thiện hiệu suất của các mô hình học sâu

Thông qua các dự án thực tế khác nhau và học hỏi từ các bài báo mới nhất
Trở thành chuyên gia về thị giác máy tính/học sâu . 😀

Vui lòng kiểm tra trước khi tham gia khóa học!

Bài giảng này là , Một số bài giảng và lớp học chồng chéo lên nhau. Vui lòng kiểm tra chương trình giảng dạy trước khi tham gia khóa học.

Danh sách chương trình giảng dạy áp dụng

Phần 1

Giới thiệu về các lĩnh vực có vấn đề về Phát hiện đối tượng
Số liệu phát hiện đối tượng - IoU, mAP
Bộ dữ liệu phát hiện đối tượng – Pascal VOC, MS COCO, KITTI, Open Images

Phần 3

Giới thiệu về API phát hiện đối tượng TensorFlow

Phần 4

Các khu vực có CNN (R-CNN)
R-CNN nhanh
R-CNN nhanh hơn
Ức chế không tối đa (NMS)
SSD (Máy dò MultiBox bắn một lần)
RetinaNet
CenterNet

Phần 5

Phát hiện đối tượng bằng mô hình được đào tạo trước

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 1

Trí tuệ nhân tạo, học máy, học sâu & học có giám sát, học không giám sát, học tăng cường
Học sâu, các lĩnh vực ứng dụng TensorFlow
Sơ lược về lịch sử học sâu

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 3

Quy trình cơ bản của machine learning - định nghĩa giả thuyết, định nghĩa hàm mất mát, định nghĩa tối ưu hóa
Triển khai thuật toán hồi quy tuyến tính bằng TensorFlow 2.0
Giảm dần độ dốc hàng loạt, Giảm dần độ dốc ngẫu nhiên, Giảm dần độ dốc hàng loạt nhỏ
Dữ liệu đào tạo, Dữ liệu xác thực, Dữ liệu kiểm tra & Trang bị quá mức
Hồi quy Softmax & Chức năng mất Entropy chéo & Mã hóa một nóng & MNIST
Phân lớp máy ảnh TensorFlow 2.0
Triển khai trình phân loại số MNIST bằng TensorFlow 2.0 và Softmax Regression

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 4

MLP Perceptron đa lớp
Triển khai trình phân loại số MNIST bằng TensorFlow 2.0 và ANN

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 5

Khái niệm về Bộ mã hóa tự động
Tái tạo dữ liệu MNIST bằng TensorFlow 2.0 và bộ mã hóa tự động

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 6

Khó khăn của vấn đề thị giác máy tính và sự ra đời của kỷ nguyên thị giác máy tính dựa trên CNN
Các khái niệm cốt lõi của mạng lưới thần kinh tích chập - Convolution, Pooling
Triển khai CNN để phân loại chữ số MNIST bằng TensorFlow 2.0
Bỏ học
Triển khai CNN để phân loại hình ảnh CIFAR-10 bằng TensorFlow 2.0

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 7

Mạng thần kinh tái phát (RNN)
Vấn đề biến mất độ dốc & LSTM & GRU
Khái niệm nhúng & Char-RNN
Triển khai Char-RNN bằng TensorFlow 2.0

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 8

Lưu và tải tham số bằng API tf.train.CheckpointManager
Trực quan hóa quá trình học tập bằng TensorBoard

< Giới thiệu về Deep Learning với TensorFlow 2.0 > Phần 9

Giới thiệu các lĩnh vực vấn đề về thị giác máy tính khác nhau
Giới thiệu các lĩnh vực vấn đề xử lý ngôn ngữ tự nhiên (NLP) khác nhau

Tìm hiểu cách sử dụng các mô hình học sâu mới nhất thực sự được sử dụng trong Naver (CRAFT) và Kakao (EAST).

Khóa học tất cả trong một để trở thành chuyên gia thị giác máy tính học sâu!

Chúng tôi đã tổng hợp tất cả các yếu tố bạn cần học để trở thành chuyên gia thị giác máy tính học sâu vào một bài giảng.
Kiến thức lý thuyết cần thiết để hiểu các mô hình deep learning mới nhất : Bắt đầu từ những kiến thức cơ bản về machine learning và deep learning (ANN, CNN) đến nguyên tắc của các mô hình deep learning mới nhất (EfficientNet, CenterNet), bạn sẽ học các lý thuyết và kiến thức cần thiết từng bước một.
Kỹ năng triển khai mã bằng Python/TensorFlow 2.0 : Tìm hiểu từng bước các kỹ năng triển khai cho các dự án thực tế bằng Python và TensorFlow 2.0.
Các dự án thực tế khác nhau để áp dụng bộ dữ liệu tùy chỉnh : Thay vì các ví dụ cơ bản như MNIST, chúng tôi sẽ tiến hành nhiều dự án thực tế khác nhau để áp dụng các mô hình học sâu mới nhất cho các bộ dữ liệu tùy chỉnh khác nhau .

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

Bất cứ ai muốn nghiên cứu nghiêm túc về deep learning/thị giác máy tính
Những người muốn thực hiện các dự án thực tế bằng cách sử dụng deep learning/thị giác máy tính

Cần biết trước khi bắt đầu?

Kiến thức Python cơ bản

Xin chào
Đây là

8,883

Học viên

651

Đánh giá

350

Trả lời

4.6

Xếp hạng

Các khóa học

AISchool ( http://aischool.ai/ )
AISchool 유튜브 채널 운영 ( https://www.youtube.com/@aischool_ai )
서울대학교 인공지능 및 컴퓨터 비전 연구실 석사
[솔라리스의 인공지능 연구실] 블로그 운영
[텐서플로로 배우는 딥러닝] 집필
S전자 컴퓨터 비전 관련 프로젝트 수행
기업대상 [AI 컨설팅 서비스] 제공
에이아이스쿨 [TensorFlow와 실습 프로젝트로 배우는 딥러닝-컴퓨터비전 Basic 코스] 강의 진행

Chương trình giảng dạy

Tất cả

126 bài giảng ∙ (20giờ 51phút)

Tài liệu khóa học:

Tài liệu bài giảng

Phần 1. Mở đầu

3 bài giảng ∙ (11phút)

1. Giới thiệu khóa học
11:50
2. Tải slide bài giảng
3. Cách kiểm tra link colab thực hành

Phần 2. Bài 1 - Cơ bản về Học máy/Học sâu/TensorFlow/Thị giác máy tính - Tìm hiểu các khái niệm cơ bản về học sâu và triển khai các mô hình cơ bản bằng TensorFlow

21 bài giảng ∙ (3giờ 41phút)

4. Trí tuệ nhân tạo Học máy Học sâu
02:02
5. Định nghĩa Học máy (Machine Learning)
03:01
6. Học có giám sát (Supervised Learning), Học không giám sát (Unsupervised Learning), Học tăng cường (Reinforcement Learning)
07:26
7. Học sâu (Deep Learning)
06:01
8. Học sâu, lĩnh vực ứng dụng TensorFlow
15:18
9. Sơ lược lịch sử Học sâu
11:28
10. Quy trình cơ bản của học máy - Giả thuyết, Hàm mất mát, Tối ưu hóa
19:25
11. Gradient Descent theo Batch, Gradient Descent ngẫu nhiên, Gradient Descent theo Mini-Batch
05:10
12. Training Data, Validation Data, Test Data & Overfitting
06:29
13. Softmax hồi quy (Softmax Regression) & Cross-entropy (Cross-Entropy Loss Function) & Mã hóa One-hot & MNIST
07:38
14. Giới thiệu các lĩnh vực bài toán thị giác máy tính đa dạng
15:06
15. Giới thiệu TensorFlow 2.0
12:24
16. Cài đặt Python
03:11
17. Cài đặt TensorFlow sử dụng pip
01:29
18. TensorFlow 2.0을 이용한 선형 회귀(Linear Regression) 알고리즘 구현
18:53
19. TensorFlow 2.0 Keras Subclassing (Keras Subclassing)
04:50
20. Triển khai bộ phân loại chữ số MNIST sử dụng TensorFlow 2.0 và Softmax Regression
28:33
21. Đa lớp Perceptron MLP
14:58
22. Triển khai bộ phân loại số MNIST sử dụng TensorFlow 2.0 và ANN
15:24
23. Khái niệm về AutoEncoder
08:35
24. Tái tạo dữ liệu MNIST sử dụng TensorFlow 2.0 và Bộ mã hóa tự động
14:06

Phần 3. Bài 2 - Học phương pháp trích xuất đặc trưng ảnh dùng CNN - Khái niệm và các mô hình CNN tiêu chuẩn

9 bài giảng ∙ (1giờ 51phút)

25. Những khó khăn của các bài toán thị giác máy tính và sự xuất hiện của kỷ nguyên thị giác máy tính dựa trên CNN
08:48
26. Các khái niệm cốt lõi của Mạng nơ-ron tích chập - Tích chập (Convolution), Gom gộp (Pooling)
16:56
27. Triển khai CNN phân loại số MNIST dùng TensorFlow 2.0
12:37
28. Dropout
05:06
29. Triển khai CNN để phân loại ảnh CIFAR-10 sử dụng TensorFlow 2.0
16:17
30. Cuộc thi ILSVRC và các mô hình CNN chuẩn
10:37
31. AlexNet
17:08
32. VGGNet
07:18
33. GoogLeNet(Inception V1)
16:34

Phần 4. Bài 3 - Pre-Trained CNN - Cách sử dụng Pre-Trained CNN

9 bài giảng ∙ (1giờ 49phút)

Phần 5. Bài 4 - Học phương pháp trích xuất đặc trưng chuỗi thời gian sử dụng RNN - Vượt qua dữ liệu hình ảnh, hãy thử xử lý dữ liệu chuỗi thời gian

8 bài giảng ∙ (1giờ 19phút)

Phần 6. Cấu trúc file dự án triển khai bài báo Deep learning

1 bài giảng ∙ (2phút)

Phần 7. Bài 5 - Phát hiện văn bản - Tìm vị trí văn bản trong ảnh & Thực hiện dự án thực tế tìm biển số xe trong ảnh

8 bài giảng ∙ (1giờ 21phút)

Phần 8. Lưu ý khi thực hành Colab cần Training dài

1 bài giảng ∙ (12phút)

Phần 9. Tiếp thu kiến thức Python cơ bản để tiến hành dự án thực tế

3 bài giảng ∙ (8phút)

Phần 10. Bài 6 - Optical Character Recognition(OCR) [Nhận dạng văn bản] - Nhận dạng chữ trong ảnh và cùng thực hiện dự án thực tế nhận dạng biển số xe

7 bài giảng ∙ (1giờ 11phút)

Phần 11. Bài 7 - License Plate Recognition - Hãy cùng tiến hành dự án thực tế về nhận dạng biển số xe và xem xét các phương pháp cải thiện hiệu suất mô hình học sâu.

4 bài giảng ∙ (43phút)

Phần 12. Bài 8 - Object Detection - Nắm vững khái niệm Object Detection và xem xét nguyên lý các mô hình Object Detection Deep Learning mới nhất

11 bài giảng ∙ (2giờ 26phút)

Phần 13. Bài 9 - Dự án thực chiến Object Detection - Thực hiện Object Detection trên Custom Dataset bằng mô hình học sâu mới nhất

19 bài giảng ∙ (2giờ 57phút)

Phần 14. Image Captioning - Hãy thử tự động tạo câu mô tả cho hình ảnh bằng AI

8 bài giảng ∙ (42phút)

Phần 15. Generative Adversarial Networks(GAN) - Sử dụng AI để tạo Fake Data

4 bài giảng ∙ (40phút)

Phần 16. Neural Style Transfer - áp dụng phong cách tranh vẽ lên ảnh

4 bài giảng ∙ (45phút)

Phần 17. Semantic Image Segmentation - Hãy phân loại ảnh theo từng điểm ảnh

1 bài giảng ∙ (2phút)

Phần 18. Human Pose Estimation - Dự đoán tư thế người

2 bài giảng ∙ (18phút)

Phần 19. Tóm tắt phương pháp triển khai dự án Deep Learning thực tế & Cách sử dụng Papers With Code & Giới thiệu các lĩnh vực ứng dụng Deep Learning ngoài Thị giác máy tính

3 bài giảng ∙ (24phút)

Ngày đăng:

Cập nhật lần cuối:

Đánh giá

Tất cả

70 đánh giá

4.7

70 đánh giá

김한주
Đánh giá 6
∙
Đánh giá trung bình 5.0
5
30% đã tham gia
다른 강의와 다르게 기본 개념, Toy 프로젝트에서 그치는 것이 아니라 산업에서 사용되는 수준을 다루고 있어서 좋았습니다.
- AISchool
  Giảng viên
  안녕하세요. 귀중한 시간을 할애해서 수강해주셔서 감사합니다~!. 상세한 수강평도 감사합니다~. 더 만족스러운 강의를 제작할 수 있도록 노력하겠습니다. 좋은 하루되세요!
김준표
Đánh giá 5
∙
Đánh giá trung bình 5.0
5
73% đã tham gia
TensorFlow2.0으로 배우는 딥러닝 입문 강의 완강하고 저랑 잘 맞아서 이 강의도 듣게 됐습니다. 아직 전반부 듣고 있긴 하지만 설명도 잘해주시고 프로젝트도 남길 수 있어서 진학 및 취업 준비에 굉장히 도움 많이 될 것 같아요.
- AISchool
  Giảng viên
  안녕하세요. 귀중한 시간을 할애해서 수강해주셔서 감사합니다~!. 더 만족스러운 강의를 제작할 수 있도록 노력하겠습니다. 좋은 하루되세요!
kream
Đánh giá 1
∙
Đánh giá trung bình 5.0
5
25% đã tham gia
프로젝트 진행하면서 정말 많은 도움을 받은 강의였습니다. 기초적인 부분도 알려주시고, 코드도 어떻게 진행되는지 잘 알려주셔서 도움이 많이 되었습니다.
- AISchool
  Giảng viên
  안녕하세요. 귀중한 시간을 할애해서 수강해주셔서 감사합니다~!. 더 만족스러운 강의를 제작할 수 있도록 노력하겠습니다. 좋은 하루되세요!
dreamer
Đánh giá 1
∙
Đánh giá trung bình 5.0
5
100% đã tham gia
유익한 좋은 강의 감사드립니다.
- AISchool
  Giảng viên
  안녕하세요. 귀중한 시간을 할애해서 수강해주셔서 감사합니다~!. 더 만족스러운 강의를 제작할 수 있도록 노력하겠습니다. 좋은 하루되세요!
slhyj95
Đánh giá 1
∙
Đánh giá trung bình 5.0
5
67% đã tham gia
대학원에서 Machine learning 전공 예정인데, 부족한 부분을 이해하고, 연습하는데 많은 도움이 되었습니다.
- AISchool
  Giảng viên
  안녕하세요. 귀중한 시간을 할애해서 수강해주셔서 감사합니다~!. 더 만족스러운 강의를 제작할 수 있도록 노력하겠습니다. 좋은 하루되세요!

2.989.421 ₫

Khóa học khác của AISchool

Hãy khám phá các khóa học khác của giảng viên!

모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 1 - Llama 2 Fine-Tuning 해보기

AISchool

LLM(Large Language Model)의 기초 개념부터 고성능 LLM인 Llama 2 모델을 내가 원하는 데이터셋에 Fine-Tuning하는 방법까지 차근차근 학습합니다.

Intermediate

LLM, Llama, 딥러닝

모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 1 - Llama 2 Fine-Tuning 해보기

AISchool

개발자의 미래! AI를 이용한 바이브 코딩 Part 1 - Cursor를 이용한 나만의 MCP 서버 만들기

AISchool

Cursor로 나만의 MCP 서버를 만들어보면서 개발자의 미래 모습인 바이브 코딩을 체득하는 강의입니다.

Basic

cursor, LLM, MCP

개발자의 미래! AI를 이용한 바이브 코딩 Part 1 - Cursor를 이용한 나만의 MCP 서버 만들기

AISchool

예제로 배우는 딥러닝 자연어 처리 입문 NLP with TensorFlow - RNN부터 BERT까지

AISchool

딥러닝 자연어처리 기초부터 최신모델인 Transformer와 BERT까지 딥러닝 자연어 처리(Natural Language Processing[NLP])의 원리와 활용방법을 다양한 예제와 실습 코드 구현을 통해 학습합니다.

Basic

딥러닝, NLP, Tensorflow

예제로 배우는 딥러닝 자연어 처리 입문 NLP with TensorFlow - RNN부터 BERT까지

AISchool

모두를 위한 대규모 언어 모델 LLM Part 6 - 프로젝트로 배우는 LangGraph를 이용한 AI 에이전트 구현

AISchool

LangGraph를 이용해서 다양한 AI 에이전트 구현 프로젝트를 진행하면서 LangGraph를 이용해서 실용적인 AI 에이전트는 만드는 방법을 학습합니다.

Intermediate

LangGraph, AI Agent, LangChain

모두를 위한 대규모 언어 모델 LLM Part 6 - 프로젝트로 배우는 LangGraph를 이용한 AI 에이전트 구현

AISchool

TensorFlow 2.0으로 배우는 딥러닝 입문

AISchool

딥러닝 핵심이론과 최신 TensorFlow 2.0을 이용한 딥러닝 코드 구현을 한번에 배울 수 있는 강의입니다.

Basic

Tensorflow, 딥러닝, 머신러닝

TensorFlow 2.0으로 배우는 딥러닝 입문

AISchool

비트코인 암호화폐 자동매매 코인봇 만들기 Part 1 - 무위험 전략 학습하기

AISchool

암호화폐 자동매매 코인봇을 만들고 운영하는데 필요한 A부터 Z까지의 모든 과정을 학습합니다. (거래소 API 사용법 기초, AWS를 이용한 배포) 또한 암호화폐 시장의 구조적 특성을 이용한 연 10% 내외의 무위험 수익을 얻을 수 있는 투자전략(김치 프리미엄 이용 등)을 학습할 수 있습니다.

Basic

투자

비트코인 암호화폐 자동매매 코인봇 만들기 Part 1 - 무위험 전략 학습하기

AISchool

AI 포트폴리오 만들기 - Airbnb 클론 프로젝트

AISchool

TensorFlow 활용 우수사례인 airbnb 데이터 사이언스팀의 Amenity Detection 프로젝트를 클론 프로젝트로 진행해보고 이 진행경험을 GitHub 블로그로 정리해서 AI 포트폴리오를 만들 수 있는 강의입니다.

Basic

딥러닝, 포트폴리오, GitHub

AI 포트폴리오 만들기 - Airbnb 클론 프로젝트

AISchool

YOLO 구현으로 배우는 딥러닝 논문 구현 with TensorFlow 2.0

AISchool

YOLO(You Only Look Once) 논문을 TensorFlow 2.0을 이용해서 밑바닥부터 구현해보며 딥러닝 논문 구현 능력을 배울 수 있는 강의입니다.

Intermediate

딥러닝, Tensorflow

YOLO 구현으로 배우는 딥러닝 논문 구현 with TensorFlow 2.0

AISchool

모두를 위한 대규모 언어 모델 LLM Part 5 - LangGraph로 나만의 AI 에이전트 만들기

AISchool

최신 AI 기술의 총집합체인 AI 에이전트! 다양한 AI 에이전트들을 구현해보면서 LangGraph를 이용한 나만의 AI 에이전트 구현법을 학습해봅니다.

Intermediate

LangGraph, AI Agent, LangChain

모두를 위한 대규모 언어 모델 LLM Part 5 - LangGraph로 나만의 AI 에이전트 만들기

AISchool

모두를 위한 대규모 언어 모델 LLM Part 4 - AI 고객센터 챗봇(AICC)을 만들며 배우는 RAG 구현

AISchool

AI 고객센터 챗봇(AICC)을 만들면서 실용적인 RAG(Retrieval-Augmented Generation) 시스템을 만드는 방법을 학습하는 강의입니다.

Intermediate

LangChain, RAG, openAI API

모두를 위한 대규모 언어 모델 LLM Part 4 - AI 고객센터 챗봇(AICC)을 만들며 배우는 RAG 구현

AISchool

모두를 위한 ChatGPT Part 1 - ChatGPT를 이용한 업무자동화와 파이썬 입문

AISchool

ChatGPT를 이용한 다양한 업무자동화 방법(엑셀, PPT, 크롤링, 이미지처리)과 업무자동화를 위한 파이썬(Python) 기초를 학습할 수 있는 강의입니다. ChatGPT가 만들 변화된 미래를 미리 경험해보세요.

Beginner

ChatGPT

모두를 위한 ChatGPT Part 1 - ChatGPT를 이용한 업무자동화와 파이썬 입문

AISchool

모두를 위한 MCP를 이용한 업무자동화 - 다양한 사례로 배우는 MCP(Model Context Protocol) 활용 (feat. Cursor)

AISchool

다양한 사례를 통해 MCP(Model Context Protocol)를 이용한 업무자동화 방법(Playwright 크롤링, Figma 디자인, Notion 자료 정리, Excel 자료분석)을 학습할 수 있는 강의입니다.

Beginner

MCP, AI 활용 (AX)

모두를 위한 MCP를 이용한 업무자동화 - 다양한 사례로 배우는 MCP(Model Context Protocol) 활용 (feat. Cursor)

AISchool

모두를 위한 ChatGPT Part 4 - ChatGPT와 실습으로 배우는 크롤링

AISchool

ChatGPT를 이용한 웹사이트 크롤링 방법을 학습할 수 있는 강의입니다. ChatGPT가 만들 변화된 미래를 미리 경험해보세요.

Beginner

ChatGPT, 웹 크롤링, Selenium

모두를 위한 ChatGPT Part 4 - ChatGPT와 실습으로 배우는 크롤링

AISchool

모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 2 - 랭체인(LangChain)으로 나만의 ChatGPT 만들기

AISchool

랭체인(LangChain) 라이브러리의 개념과 활용 방법을 학습하고, 랭체인(LangChain) 라이브러리를 이용해서 나만의 ChatGPT를 만들어보는 강의입니다.

Intermediate

LLM, LangChain, ChatGPT

모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 2 - 랭체인(LangChain)으로 나만의 ChatGPT 만들기

AISchool

모두를 위한 대규모 언어 모델 LLM Part 3 - 구글 제미나이(Google Gemini) API, OpenAI API와 젬마(Gemma)로 AI 어플리케이션 만들기

AISchool

구글 제미나이(Gemini) 모델의 개념과 Gemini API 활용 방법을 학습하고, Streamlit을 이용해서 다양한 AI 어플리케이션을 만들어보는 강의입니다.

Intermediate

openAI API, ChatGPT, gemini

모두를 위한 대규모 언어 모델 LLM Part 3 - 구글 제미나이(Google Gemini) API, OpenAI API와 젬마(Gemma)로 AI 어플리케이션 만들기

AISchool

AI로 돈 버는 법 - 사례로 알아보는 AI Transformation

AISchool

AI 기업리뷰를 통해 AI 기술이 우리의 현재와 미래를 어떻게 바꿔나갈지를 다양한 사례를 통해 살펴봅니다. AI 프로젝트를 진행하기 위해 필요한 요소들을 살펴봄으로써 다가올 AI Transformation을 준비합니다.

Beginner

서비스 기획

AI로 돈 버는 법 - 사례로 알아보는 AI Transformation

AISchool

비전공자/입문자를 위한 Data Science(DS)와 AI 학습 & 취업 가이드

AISchool

Data Science(DS)와 Artificial Intelligence(AI) 관련 직군 분석과 관련 직군으로 커리어를 쌓아나가기 위한 학습 및 취업 로드맵을 배워보세요.

Beginner

딥러닝, 머신러닝

비전공자/입문자를 위한 Data Science(DS)와 AI 학습 & 취업 가이드

AISchool

퀀트 투자를 위한 주식 자동매매 봇 만들기 Part 1

AISchool

이베스트투자증권 xing API를 이용해서 주식 자동매매 봇을 만드는 강의입니다. 1년 365일 자동으로 거래하는 나만의 주식 자동매매 봇을 만들어보세요.

Intermediate

Python, 투자, 퀀트

퀀트 투자를 위한 주식 자동매매 봇 만들기 Part 1

AISchool

모두를 위한 ChatGPT Part 2 - ChatGPT를 이용한 데이터분석과 판다스 활용

AISchool

ChatGPT를 이용한 데이터 분석과 판다스 활용 방법을 학습할 수 있는 강의입니다. ChatGPT가 만들 변화된 미래를 미리 경험해보세요.

Beginner

ChatGPT, Numpy, Pandas

모두를 위한 ChatGPT Part 2 - ChatGPT를 이용한 데이터분석과 판다스 활용

AISchool

GPT 논문 구현으로 배우는 딥러닝 논문 구현 with TensorFlow 2.0 Part 1

AISchool

GPT-1(Improving Language Understanding by Generative Pre-Training) 논문을 TensorFlow 2.0을 이용해서 밑바닥부터 구현해보며 딥러닝 논문 구현 능력을 배울 수 있는 강의입니다.

Intermediate

gpt, Tensorflow, 딥러닝

GPT 논문 구현으로 배우는 딥러닝 논문 구현 with TensorFlow 2.0 Part 1

AISchool

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

딥러닝 CNN 완벽 가이드 - TFKeras 버전

권 철민

딥러닝·CNN 핵심 이론부터 다양한 CNN 모델 구현 방법, 실전 문제를 통한 실무 딥러닝 개발 노하우까지, 딥러닝 CNN 기술 전문가로 거듭나고 싶다면 이 강의와 함께하세요 :)

Basic

딥러닝, CNN, Tensorflow

딥러닝 CNN 완벽 가이드 - TFKeras 버전

권 철민

[OpenCV] 파이썬 딥러닝 영상처리 프로젝트 - 손흥민을 찾아라!

노마드크리에이터

OpenCV(Open Source Computer Vision Library)로 이미지와 영상을 처리하고, 딥러닝 모듈(dnn, Deep Neural Network)을 활용하여 얼굴, 눈, 다양한 사물을 식별하고 인식하는 재미있는 프로젝트를 이론과 함께 배우는 과정입니다.

Intermediate

Tensorflow, 머신러닝, 딥러닝

[OpenCV] 파이썬 딥러닝 영상처리 프로젝트 - 손흥민을 찾아라!

노마드크리에이터

AI 포트폴리오 만들기 - Airbnb 클론 프로젝트

AISchool

Basic

딥러닝, 포트폴리오, GitHub

AI 포트폴리오 만들기 - Airbnb 클론 프로젝트

AISchool

[모바일] 딥러닝 Computer Vision 실전 프로젝트

노마드크리에이터

AI 인공지능, 모바일이 대세라는 것은 말할 필요가 없습니다. 그런데 머신러닝과 딥러닝을 배워서 모바일에서 어떻게 쓴다는 겁니까? 이제 생활에서 활용되는 유용한 모바일 Computer Vision 프로젝트들을 같이 배워봅시다.

Intermediate

IONIC, 머신러닝, 딥러닝

[모바일] 딥러닝 Computer Vision 실전 프로젝트

노마드크리에이터

처음하는 딥러닝과 파이토치(Pytorch) 부트캠프 (쉽게! 기본부터 챗GPT 핵심 트랜스포머까지) [데이터분석/과학 Part3]

잔재미코딩 DaveLee

강사가 처음 딥러닝을 익혔을 때 실패했던 경험을 바탕으로 딥러닝 이해에 필요한 수학, 이론, 파이토치 기반 구현, 전이학습, GPT 핵심 트랜스포머까지 차근차근 익힐 수 있도록 새롭게 꾸민 강의입니다.

Basic

딥러닝, PyTorch, 머신러닝

처음하는 딥러닝과 파이토치(Pytorch) 부트캠프 (쉽게! 기본부터 챗GPT 핵심 트랜스포머까지) [데이터분석/과학 Part3]

잔재미코딩 DaveLee

딥러닝 기반 이미지·객체 인식: CNN에서 YOLO·DETR까지

YoungJea Oh

이 강의는 딥러닝을 활용한 이미지와 객체 인식의 원리를 기초부터 최신 모델까지 단계적으로 배우는 과정입니다. - 기초 다지기: 파이토치(Pytorch)로 텐서와 신경망 기본 구조 이해 - 이미지 이해하기: 컴퓨터 비전의 개념, 이미지 데이터 구조, 증강(Augmentation) 기법 학습 - CNN 모델 학습: 합성곱 신경망(CNN)으로 이미지 분류 실습 (CIFAR-10 등) - 전이 학습(Transfer Learning): 기존 학습된 모델을 활용해 적은 데이터로 빠르게 학습 - 객체 탐지(Object Detection): R-CNN, YOLO, SSD, DETR 등 최신 객체 탐지 모델 이해 및 실습 - 세그멘테이션(Segmentation): U-Net, Mask R-CNN을 통한 픽셀 단위 객체 분할 경험

Intermediate

PyTorch, 컴퓨터 비전, CNN

딥러닝 기반 이미지·객체 인식: CNN에서 YOLO·DETR까지

YoungJea Oh

[텐서플로2] 파이썬 머신러닝 완전정복 - 마라톤 기록예측 프로젝트

노마드크리에이터

보스톤 마라톤 빅 데이터를 기반으로 파이썬과 텐서플로2를 이용하여 다양하고 유용한 머신러닝 회귀(Regression)와 분류(Classification) 프로젝트를 이론과 함께 배우는 머신러닝 종합 프로젝트 과정입니다.

Intermediate

Tensorflow, 머신러닝, Keras

[텐서플로2] 파이썬 머신러닝 완전정복 - 마라톤 기록예측 프로젝트

노마드크리에이터

[AI 실무] AI Research Engineer를 위한 논문 구현 시작하기 with PyTorch

화이트박스

AI를 연구하거나 이를 활용하여 프로젝트를 진행할 때 기본적인 논문 구현은 필수 입니다. 이 강의를 통해 실제 논문을 한편 구현해보며 실무 역량을 업그레이드 해봅시다!

Intermediate

딥러닝, AI 활용 (AX), PyTorch

[AI 실무] AI Research Engineer를 위한 논문 구현 시작하기 with PyTorch

화이트박스

Dự án nhận dạng biển số xe và nhận dạng hình ảnh deep learning tất cả trong một được học với TensorFlow

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

Tìm hiểu cách sử dụng các mô hình học sâu mới nhất thực sự được sử dụng trong Naver (CRAFT) và Kakao (EAST).

Khóa học tất cả trong một để trở thành chuyên gia thị giác máy tính học sâu!

Khuyến nghị cho những người này

Xin chàoĐây là .css-1q3zd4q{text-decoration-line:underline;text-underline-position:under;text-underline-offset:1px;}

Chương trình giảng dạy

Đánh giá

Khóa học khác của AISchool

Khóa học tương tự

Khuyến nghị cho
những người này

Xin chào
Đây là