BEST

[Bản sửa đổi] Hướng dẫn hoàn chỉnh về máy tính thị giác bằng Deep Learning

Name: [Bản sửa đổi] Hướng dẫn hoàn chỉnh về máy tính thị giác bằng Deep Learning
Price: 121000 KRW

Khóa học này sẽ cung cấp cho bạn những giải thích lý thuyết sâu sắc về Object Detection và Segmentation cùng với những ví dụ thực hành có thể áp dụng ngay trong thực tế để giúp bạn trở thành chuyên gia về máy tính thị giác dựa trên deep learning như mong muốn.

(4.9) 155 đánh giá

3,888 học viên

dooleyz3525

Machine Learning(ML)

Tensorflow

Python

Deep Learning(DL)

Keras

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

Hiểu về Object Detection và Segmentation dựa trên Deep Learning
RCNN, SSD, YOLO, RetinaNet, EfficientDet, Mask RCNN theo từng dòng học lý thuyết sâu
Làm quen với cách sử dụng các gói triển khai tiêu biểu của Object Detection và Segmentation như MMDetection, Ultralytics Yolo, AutoML EfficientDet
Sử dụng OpenCV và Tensorflow Hub để thực hiện phát hiện/phân đoạn đối tượng trong hình ảnh/video
Tìm hiểu nhiều ví dụ thực tế khó khác nhau để bạn có thể đạt đến cấp độ có thể áp dụng trực tiếp Phát hiện/Phân đoạn đối tượng trong thực tế.
Object Detection/Segmentation bao gồm nhiều kiến thức cơ bản khác nhau
다양 các gói triển khai để đào tạo tập dữ liệu tùy chỉnh và tạo mô hình riêng
Tìm hiểu ưu và nhược điểm của các mô hình Phát hiện/Phân đoạn đối tượng khác nhau thông qua các ví dụ thực hành
Xử lý các tập dữ liệu chính như Pascal VOC, MS-COCO và chuyển đổi TFRecord
Sử dụng CVAT Tool để áp dụng Annotation vào tập dữ liệu và tự tạo dữ liệu học tập

Hạ thấp các rào cản và đào sâu cốt lõi!
Trở thành chuyên gia thực hành CNN học sâu.

Đáp ứng bản sửa đổi mới nhất
Đào tạo thị giác máy tính học sâu.

Đánh giá trung bình 4,9★ Được lựa chọn bởi hơn 1.300 sinh viên,
Cuốn sách bán chạy nhất của Inflearn 2021 được đổi mới hoàn toàn!

Xin chào, tên tôi là Cheolmin Kwon.
Nhờ sự hỗ trợ của nhiều người, hiện tại chúng tôi đã phát hành phiên bản sửa đổi của 'Hướng dẫn hoàn chỉnh về Tầm nhìn máy tính học sâu' .
Khoảng 90% video từ các bài giảng hiện có đã được tạo và chúng tôi sẽ giới thiệu nội dung được cải tiến và bổ sung thêm.

Dựa trên những phản hồi chúng tôi nhận được về các bài giảng, chúng tôi đã tạo ra một phiên bản sửa đổi tập trung vào các điểm sau.

Giải thích lý thuyết chi tiết hơn về các chủ đề mà học sinh thường đặt câu hỏi .
Thực hành dựa trên gói Phát hiện/Phân đoạn đối tượng mới nhất/hiệu suất cao nhất
Phản ánh các xu hướng mới nhất trong Phát hiện/Phân đoạn đối tượng
Viết mã thực hành linh hoạt, đa dạng và có thể mở rộng hơn + giải thích chi tiết hơn
Các lớp bổ sung khác nhau

Phiên bản sửa đổi của bài giảng chắc chắn là tốt hơn phiên bản đầu tiên và có nội dung chi tiết hơn. Chúng tôi sẽ hướng dẫn bạn các lĩnh vực Phát hiện và Phân đoạn đối tượng dựa trên deep learning mới nhất.

Giới thiệu bài giảng 📝

Trọng tâm của công nghệ thị giác máy tính học sâu đang nhanh chóng chuyển sang Phát hiện và phân đoạn đối tượng .

Các công nghệ phân đoạn và phát hiện đối tượng dựa trên deep learning đang lan rộng trong nhiều lĩnh vực, chẳng hạn như ▲ nhận dạng thông tin hình ảnh thông minh ▲ Nhà máy thông minh kiểm tra thị giác AI ▲ chẩn đoán hình ảnh y tế tự động ▲ robot ▲ xe tự hành. Theo đó, các công ty AI hàng đầu trong và ngoài nước cũng không tiếc tiền đầu tư vào lĩnh vực này và đang tìm cách đảm bảo nguồn nhân lực phát triển.

_{Hai xu hướng chính cuối cùng đã gặp nhau: Phát hiện và phân đoạn đối tượng}

Khi các lĩnh vực Phát hiện và Phân đoạn đối tượng phát triển nhanh chóng trong những năm gần đây, nhu cầu về nhân tài có khả năng thực tế liên quan ngày càng tăng. Tuy nhiên, vì đây là lĩnh vực mới nhất được áp dụng deep learning nên rất khó đào tạo được nguồn nhân lực phù hợp do thiếu sách, tài liệu, bài giảng phục vụ cho việc học.

Chuyên gia thị giác máy tính học sâu
Chúng tôi hướng dẫn bạn được sinh ra lần nữa.

권 철민, 딥러닝 컴퓨터 비전 완벽 가이드

Bài giảng này bao gồm các giải thích lý thuyết chuyên sâu về Phát hiện và Phân đoạn đối tượng cũng như nhiều ví dụ thực tế có thể được sử dụng ngay tại hiện trường và sẽ giúp bạn trở thành chuyên gia thị giác máy tính dựa trên deep learning cần thiết trong lĩnh vực này.

Từ những giải thích khái niệm dễ dàng
Kể cả lý thuyết chuyên sâu.

Chúng tôi giải thích rõ ràng về lĩnh vực Phát hiện/Phân đoạn đối tượng rộng lớn, từ các khái niệm dễ hiểu đến lý thuyết chuyên sâu về dòng RCNN, SSD, YOLO, RetinaNet, EfficiencyDet, Mask RCCN, v.v.

_{Bạn có thể học các khái niệm một cách trung thực với các ghi chú bài giảng chi tiết.}

Thông qua các ví dụ thực tế
Tối đa hóa các kỹ năng thực hành deep learning.

Không có cách nào để cải thiện kỹ năng thực tế của bạn hơn là viết mã và tự mình thực hiện nó.
Bài giảng này bao gồm nhiều ví dụ thực tế sẽ tối đa hóa các kỹ năng thực tế của bạn trong việc triển khai Phát hiện và Phân đoạn đối tượng.

_{©SLAM DUNK}

Với những người này
Khuyến khích.

CNN học sâu hoạt động như thế nào?
Nó có thể được áp dụng vào thực tế không?
Người đã lo lắng

Dựa trên học tập sâu
giải pháp thị giác máy tính
Những người muốn phát triển

Khả năng phân loại hình ảnh deep learning
Cập nhật công nghệ CV mới nhất
Những người muốn mở rộng

Vào học cao học về trí tuệ nhân tạo,
Trường CV dựa trên học tập sâu
Sinh viên chuẩn bị làm việc/chuyển đổi công việc

Vui lòng kiểm tra kiến thức của người chơi.

Cần có kinh nghiệm lập trình Python và hiểu biết cơ bản về deep learning CNN .
Ngoài ra, sẽ tốt hơn nếu bạn có một số kinh nghiệm với TF.Keras hoặc Pytorch.

Khó nhìn thấy ở bất cứ đâu
Công nghệ CV mới nhất tất cả cùng một lúc.

hiệu suất rất tốt
Triển khai Phát hiện/Phân đoạn đối tượng mới nhất
Thực hành sử dụng gói

_{MMDetection, Ultralytics Yolo, AutoML EfficiencyDet, v.v.}

_{Thực hành suy luận bằng cách sử dụng OpenCV DNN và Tensorflow Hub cho mục đích chung}

Hình ảnh và video khác nhau
Thực hành phát hiện/phân đoạn đối tượng

_{Nhiều ví dụ khác nhau về việc sử dụng công nghệ thị giác máy tính trong thực tế}

Với nhiều bộ dữ liệu tùy chỉnh
Thực hành đào tạo mẫu

_{Bộ dữ liệu tùy chỉnh khác nhau}

Nếu bạn là chuyên gia thị giác máy tính học sâu, bạn sẽ có thể tạo mô hình Phát hiện/Phân đoạn đối tượng của riêng mình bằng cách huấn luyện mô hình đó với nhiều bộ dữ liệu tùy chỉnh. Ngoài ra, chúng ta phải có khả năng cải thiện và đánh giá hiệu quả hoạt động của mô hình này.

Khóa học này sẽ dạy cho bạn khả năng đào tạo các tập dữ liệu tùy chỉnh bằng cách sử dụng các gói triển khai khác nhau và tạo các mô hình suy luận tối ưu.

Với bộ dữ liệu đào tạo được tạo riêng
Thực hành suy luận/đào tạo mô hình tùy chỉnh

_{Thực hành sử dụng bộ dữ liệu huấn luyện do chính bạn tạo}

Bằng cách sử dụng CVAT, một công cụ chú thích, chúng tôi trực tiếp tạo tập dữ liệu huấn luyện bằng cách áp dụng chú thích hộp giới hạn cho một hình ảnh chung và sử dụng tập dữ liệu này để thực hành đào tạo và suy luận mô hình tùy chỉnh.

Môi trường phòng thí nghiệm 🧰

Tất cả các mã thực hành được sử dụng trong bài giảng đều được viết dựa trên môi trường Google Colab.

_{Google Colab, biểu tượng Kaggle}

Quá trình thực hành sẽ được tiến hành dựa trên GPU và nếu việc phân bổ GPU miễn phí của Colab không đủ thì bạn cũng nên sử dụng Colab Pro. (※ Colab Pro có giá khoảng 10 USD mỗi tháng.)

Nếu tài nguyên hạt nhân miễn phí GPU Colab không đủ, bạn có thể sử dụng hạt nhân Kaggle. Chúng tôi cũng cung cấp mã thực hành riêng biệt được tạo cho Kaggle. Vui lòng tham khảo Phần 0 - lớp [Cấu hình môi trường thực hành] để tìm hiểu thêm về môi trường thực hành.

Vui lòng kiểm tra trước khi tham gia khóa học!

Nếu không sử dụng nhân GPU như Colab hoặc Kaggle, bạn sẽ gặp khó khăn khi làm theo ví dụ. Chúng tôi yêu cầu sự hiểu biết của bạn trước.

Mã thực hành và tài liệu bài giảng 👨‍💻

Mã thực hành có thể được tải xuống từ https://github.com/chulminkw/DLCV_New . Bản xem trước mã phòng thí nghiệm sẽ giúp bạn có được mức độ lập trình trước để hiểu phòng thí nghiệm.

_{Sách giáo khoa PDF bài giảng 320p được cung cấp}

Sách giáo khoa được sử dụng trong bài giảng (320 trang) có thể được tải xuống từ Bài giảng Phần 0: Tài liệu bài giảng .

để học lý thuyết
Không có cách nào tốt hơn là thực hành.

Đừng đợi cho đến khi bạn hiểu đầy đủ về lý thuyết deep learning. Không có cách nào tốt hơn để học lý thuyết hơn là thông qua thực hành.

Khi chúng ta bắt đầu viết mã, bộ não của chúng ta sẽ làm theo để tạo ra sự hiểu biết hữu hình. Hãy cùng tôi thử áp dụng nhiều ví dụ thực tế khác nhau được trình bày trong bài giảng nhé. Nếu bạn nghe bài giảng và cố gắng thực hiện nó bằng cách nhấn bàn phím, những phần tưởng chừng như đám mây trôi sẽ dần trở thành hiện thực.

Để trở thành chuyên gia, đôi khi (tôi nghĩ là hầu hết) bạn phải chạy trước khi học đi. Khóa học này sẽ là người bạn đồng hành tốt nhất để bạn phát triển con đường sự nghiệp và khả năng của mình trong lĩnh vực thị giác máy tính dựa trên deep learning.

Cảm ơn

― Những gì Tony Stark đã nói với Jarvis trong buổi thử nghiệm bộ đồ Iron Man trong <Iron Man 1>

_{“Đôi khi bạn phải chạy trước khi có thể đi bộ.”}

Những người được gặp bởi Inflearn 👨‍💻

Đọc cuộc phỏng vấn với Kwon Cheol-min | Đi xem

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

Bất cứ ai quan tâm đến việc học sâu
딥러닝 기반의 Object Detection và Segmentation về lý thuyết
Bất kỳ ai đang suy nghĩ về cách ứng dụng deep learning CNN vào thực tế
딥러닝 CNN Image Classification vượt ra ngoài và muốn mở rộng năng lực vào lĩnh vực Object Detection/Segmentation
Computer Vision lĩnh vực muốn phát triển giải pháp dựa trên học sâu
Kaggle như Competition muốn thử thách Object Detection/Segmentation Challenge
AI đại học원 chuẩn bị
Bạn đang chuẩn bị chuyển sang lĩnh vực thị giác máy tính dựa trên deep learning?

Cần biết trước khi bắt đầu?

Kinh nghiệm lập trình Python
Hiểu cơ bản về CNN của Deep Learning
(Tùy chọn) Kinh nghiệm cơ bản về TF.Keras hoặc Pytorch

Xin chào
Đây là

26,052

Học viên

1,289

Đánh giá

3,968

Trả lời

4.9

Xếp hạng

Các khóa học

(전) 엔코아 컨설팅

(전) 한국 오라클

AI 프리랜서 컨설턴트

파이썬 머신러닝 완벽 가이드 저자

Chương trình giảng dạy

Tất cả

170 bài giảng ∙ (38giờ 15phút)

Tài liệu khóa học:

Tài liệu bài giảng

Phần 1. Giới thiệu khóa học và cài đặt môi trường thực hành

4 bài giảng ∙ (38phút)

Phần 2. Khái niệm Nhận dạng đối tượng

10 bài giảng ∙ (2giờ 6phút)

5. Tổng quan về Phát hiện đối tượng và Phân đoạn
13:27
6. Các thành phần chính của Object Detection và tại sao Object Detection lại khó?
10:52
7. Object Localization과 Detection의 이해
11:14
8. Hiểu về Region Proposal (Đề xuất vùng) và So sánh với Cửa sổ trượt
10:44
9. Region Proposal (Ước lượng vùng) - Kỹ thuật Selective Search
09:40
10. Thực hành và Trực quan hóa Selective Search
11:49
11. IOU(Intersection over Union) Hiểu về và thực hành triển khai
16:41
12. Hiểu về NMS(Non Max Supression)
07:31
13. Hiểu về chỉ số đánh giá hiệu suất Object Detection mAP 01 - Độ chính xác và Độ thu hồi
19:27
14. Tìm hiểu về chỉ số đánh giá hiệu suất mAP của Object Detection 02 - Tính mAP
14:55

Phần 3. Giới thiệu các tập dữ liệu chính và OpenCV dành cho Phát hiện đối tượng và Phân đoạn

7 bài giảng ∙ (1giờ 24phút)

15. Giới thiệu các bộ dữ liệu chính trong Phát hiện đối tượng và Tìm hiểu về bộ dữ liệu Pascal VOC
12:44
16. Tìm hiểu về tập dữ liệu Pascal VOC
19:27
17. Tìm hiểu về tập dữ liệu MS-COCO
13:04
18. Tổng quan OpenCV
07:19
19. OpenCV를 활용한 이미지 처리 실습
09:30
20. Thực hành xử lý ảnh sử dụng OpenCV
13:14
21. Tổng quan về Mạng phát hiện đối tượng và Mối quan hệ giữa FPS/Resolution/Hiệu năng
08:55

Phần 4. Mô hình phát hiện đối tượng dòng RCNN (RCNN, SPPNet, Fast RCNN, Faster RCNN)

13 bài giảng ∙ (3giờ 10phút)

Phần 5. Hiểu về MMDetection và thực hành áp dụng Faster RCNN - 01

16 bài giảng ∙ (4giờ 1phút)

Phần 6. Hiểu về MMDetection và thực hành ứng dụng Faster RCNN - 02

12 bài giảng ∙ (2giờ 48phút)

Phần 7. SSD (Bộ phát hiện một lần chụp)

3 bài giảng ∙ (43phút)

Phần 8. Thực hành SSD

5 bài giảng ∙ (1giờ 7phút)

Phần 9. YOLO(You Only Look Once)

11 bài giảng ∙ (2giờ 15phút)

Phần 10. Ultralytics Yolo Thực hành - 01

14 bài giảng ∙ (3giờ 4phút)

Phần 11. Ultralytics Yolo Thực hành - 02

8 bài giảng ∙ (1giờ 33phút)

Phần 12. RetinaNet và EfficientDet

7 bài giảng ∙ (1giờ 34phút)

Phần 13. AutoML EfficientDet Thực hành - 01

9 bài giảng ∙ (1giờ 49phút)

Phần 14. AutoML EfficientDet Thực hành - 02

11 bài giảng ∙ (2giờ 39phút)

Phần 15. Segmentation - Mask RCNN

4 bài giảng ∙ (53phút)

Phần 16. Mask RCNN - Thực hành 01

14 bài giảng ∙ (2giờ 50phút)

Phần 17. Mask RCNN - Bài thực hành 02

14 bài giảng ∙ (3giờ 23phút)

Phần 18. API Phát hiện đối tượng Tensorflow phiên bản cũ (Theo việc phát hành phiên bản mới, mục này sẽ bị xóa sau một tháng (2021-08-06))

8 bài giảng ∙ (2giờ 11phút)

Ngày đăng:

Cập nhật lần cuối:

Đánh giá

Tất cả

155 đánh giá

4.9

155 đánh giá

JH S
Đánh giá 2
∙
Đánh giá trung bình 3.0
5
52% đã tham gia
진짜 말도안되게 좋습니다.. 옆동네 코코 pytorch 들으면서 인프런한테 화가 미친듯이 났는데. 이 강좌듣고 행복을 찾았어요 정말정말 감사합니다
한병식
Đánh giá 15
∙
Đánh giá trung bình 4.6
5
31% đã tham gia
권철민 강사님 강의는 언제나 최고입니다. 감사합니다.
율언니
Đánh giá 6
∙
Đánh giá trung bình 5.0
5
7% đã tham gia
극강입니다. 좋은 실습 예제들 큰 도움이 되었습니다 ^^
webmaster
Đánh giá 2
∙
Đánh giá trung bình 5.0
5
38% đã tham gia
실무에서도 바로 적용해 볼 수 있는 훌륭한 강의 입니다. 강사님께서 시간이 허락하신다면 RNN 기반의 음성, 텍스트 등의 데이터를 다루는 강의가 개설되었으면 하는 바램입니다.
노승희
Đánh giá 9
∙
Đánh giá trung bình 4.8
5
72% đã tham gia
최고입니다. . 이런 강의를 이 가격에 들을 수 있다는거 자체가 행운인거 같습니다. . 100번 강추 합니다

2.541.007 ₫

Khóa học khác của dooleyz3525

Hãy khám phá các khóa học khác của giảng viên!

[개정판] 파이썬 머신러닝 완벽 가이드

권 철민

이론 위주의 머신러닝 강좌에서 탈피하여 머신러닝의 핵심 개념을 쉽게 이해함과 동시에 실전 머신러닝 애플리케이션 구현 능력을 갖출 수 있도록 만들어 드립니다.

초급

Python, 머신러닝, 통계

[개정판] 파이썬 머신러닝 완벽 가이드

권 철민

FastAPI 완벽 가이드

권 철민

본 강의는 FastAPI의 핵심 기능과 함께, 웹서비스 개발의 전 과정을 익힐 수 있도록 구성 하였습니다. 본 강의를 통해 여러분을 현장에서 필요로 하는 FastAPI 전문 개발자로 발돋움 시켜 드릴 것입니다.

중급이상

Python, FastAPI, SQL

FastAPI 완벽 가이드

권 철민

카프카 완벽 가이드 - 커넥트(Connect) 편

권 철민

카프카 커넥트(Kafka Connect)에 대한 깊이 있는 이론 설명과 현업에서 바로 사용될 수 있는 수준의 상세한 실습을 통해 여러분을 현장에서 필요로 하는 카프카 커넥트 기반의 데이터 연동 및 데이터 파이프라인 구축 전문가로 성장시켜 드릴 것입니다.

중급이상

Kafka, 데이터 엔지니어링

카프카 완벽 가이드 - 커넥트(Connect) 편

권 철민

카프카 완벽 가이드 - 코어편

권 철민

카프카(Kafka)의 핵심부터 내부 메커니즘에 대한 심화 수준의 내용까지, 상세한 이론 설명과 핸즈온 실습 & 실전 카프카 애플리케이션 개발 실습을 통해 카프카를 시작하는 사람도 단숨에 전문가 레벨로 도달할 수 있도록 강의를 구성했습니다.

중급이상

Kafka, 데이터 엔지니어링

카프카 완벽 가이드 - 코어편

권 철민

딥러닝 CNN 완벽 가이드 - Pytorch 버전

권 철민

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

초급

딥러닝, PyTorch, 컴퓨터 비전

딥러닝 CNN 완벽 가이드 - Pytorch 버전

권 철민

데이터 분석 SQL Fundamentals

권 철민

SQL의 핵심 요소에 대한 상세한 강의와 실습을 통해, 여러분이 SQL 분석 전문가로 성장할 수 있도록 흔들리지 않는 뼈대를 만들어 드리겠습니다.

초급

SQL, PostgreSQL, DBMS/RDBMS

데이터 분석 SQL Fundamentals

권 철민

다양한 사례로 익히는 SQL 데이터 분석

권 철민

다양한 실전 데이터 분석 사례를 SQL을 통해 구현해 나가면서 데이터 분석 능력과 SQL 활용 능력을 동시에 향상 시킬 수 있습니다.

중급이상

SQL, PostgreSQL, DBMS/RDBMS

다양한 사례로 익히는 SQL 데이터 분석

권 철민

오라클 성능 분석과 인스턴스 튜닝 핵심 가이드

권 철민

오라클 DB 아키텍처의 내부 메커니즘을 이해하고 성능 튜닝과 성능 분석 전문가로 성장할 수 있는 핵심 가이드를 제공합니다.

중급이상

Oracle, DBMS/RDBMS

오라클 성능 분석과 인스턴스 튜닝 핵심 가이드

권 철민

카프카 완벽 가이드 - ksqlDB

권 철민

본 강의는 ksqlDB의 활용과 핵심 메커니즘을 다양한 실습을 통해 익힐 수 있게 구성되어 있습니다. 강의를 마치고 나면 여러분은 Kafka(카프카) 기반의 실시간 Streaming 데이터 분석 시스템을 쉽고 빠르게 구축하실 수 있게 됩니다.

중급이상

Kafka, ksqlDB, 데이터 엔지니어링

카프카 완벽 가이드 - ksqlDB

권 철민

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 :)

초급

딥러닝, CNN, Tensorflow

딥러닝 CNN 완벽 가이드 - TFKeras 버전

권 철민

캐글 Advanced 머신러닝 실전 박치기

권 철민

본 강의는 Kaggle의 Home Credit Default Risk 경연대회 머신 러닝 모델을 구현을 통해, 여러분을 실전적인 머신 러닝 구축 전문가로 한단계 실력을 업그레이드 할 수 있도록 만들어진 강의 입니다.

중급이상

머신러닝, Kaggle

캐글 Advanced 머신러닝 실전 박치기

권 철민

스파크 머신러닝 완벽 가이드 - Part 1

권 철민

스파크(Spark) 머신러닝의 핵심 Framework에 대한 이해, 난이도 높은 실전 문제를 통한 SQL 기반의 데이터 가공, 업무 도메인 분석을 통한 데이터 분석과 최적화된 머신러닝 모델 구현 능력까지, 대용량 데이터 기반에서 머신러닝 전문가로 인정 받고 싶다면 이 강의와 함께 하십시요.

중급이상

Apache Spark, 머신러닝, 빅데이터

스파크 머신러닝 완벽 가이드 - Part 1

권 철민

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

딥러닝 CNN 완벽 가이드 - TFKeras 버전

권 철민

초급

딥러닝, CNN, Tensorflow

딥러닝 CNN 완벽 가이드 - TFKeras 버전

권 철민

[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.

중급이상

IONIC, 머신러닝, 딥러닝

[모바일] 딥러닝 Computer Vision 실전 프로젝트

노마드크리에이터

[AI 기초] AI Research Engineer를 위한 CNN 이해하기

화이트박스

CNN을 공부 했는데도 잘 모르시겠다구요? CNN의 기본 동작 원리를 핵심 부분만 간결하게 알려 드리겠습니다.

입문

컴퓨터 비전, Python, PyTorch

[AI 기초] AI Research Engineer를 위한 CNN 이해하기

화이트박스

Next.js와 yolov11로 화재감지 시스템 구축하기

ludgi

Next.js, YOLOv11, FastAPI를 활용하여 실시간 화재 감지 시스템을 구축하는 방법을 배웁니다.

초급

Next.js, yolo, Python

Next.js와 yolov11로 화재감지 시스템 구축하기

ludgi

[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!

중급이상

딥러닝, AI 활용 (AX), PyTorch

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

화이트박스

진짜 현장에서 통하는 OCR, 이렇게 만듭니다.

데이비드최

현업에서 진짜 쓰이는 OCR 기술, 제대로 배워보고 싶다면 이 강의 하나로 끝! 비정형 문서와 복잡한 레이아웃에서도 98% 이상의 정확도를 목표로, 최신 SOTA 모델과 실전 노하우를 바탕으로 기업 수준의 OCR 프로젝트를 함께 만들어갑니다.

초급

Python, 인공지능(AI), openai

진짜 현장에서 통하는 OCR, 이렇게 만듭니다.

데이비드최

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.

초급

딥러닝, PyTorch, 머신러닝

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

잔재미코딩 DaveLee

[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.

중급이상

Tensorflow, 머신러닝, Keras

[텐서플로2] 파이썬 머신러닝 완전정복 - 마라톤 기록예측 프로젝트

노마드크리에이터

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.

초급

딥러닝, 포트폴리오, GitHub

AI 포트폴리오 만들기 - Airbnb 클론 프로젝트

AISchool

[Bản sửa đổi] Hướng dẫn hoàn chỉnh về máy tính thị giác bằng Deep Learning

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

Đáp ứng bản sửa đổi mới nhất Đào tạo thị giác máy tính học sâu.

Đánh giá trung bình 4,9★ Được lựa chọn bởi hơn 1.300 sinh viên, Cuốn sách bán chạy nhất của Inflearn 2021 được đổi mới hoàn toàn!

Giới thiệu bài giảng 📝

Chuyên gia thị giác máy tính học sâu Chúng tôi hướng dẫn bạn được sinh ra lần nữa.

Từ những giải thích khái niệm dễ dàng Kể cả lý thuyết chuyên sâu.

Thông qua các ví dụ thực tế Tối đa hóa các kỹ năng thực hành deep learning.

Với những người này Khuyến khích.

Khó nhìn thấy ở bất cứ đâu Công nghệ CV mới nhất tất cả cùng một lúc.

Môi trường phòng thí nghiệm 🧰

Mã thực hành và tài liệu bài giảng 👨‍💻

để học lý thuyết Không có cách nào tốt hơn là thực hành.

Những người được gặp bởi Inflearn 👨‍💻

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 dooleyz3525

Khóa học tương tự

Đáp ứng bản sửa đổi mới nhất
Đào tạo thị giác máy tính học sâu.

Đánh giá trung bình 4,9★ Được lựa chọn bởi hơn 1.300 sinh viên,
Cuốn sách bán chạy nhất của Inflearn 2021 được đổi mới hoàn toàn!

Chuyên gia thị giác máy tính học sâu
Chúng tôi hướng dẫn bạn được sinh ra lần nữa.

Từ những giải thích khái niệm dễ dàng
Kể cả lý thuyết chuyên sâu.

Thông qua các ví dụ thực tế
Tối đa hóa các kỹ năng thực hành deep learning.

Với những người này
Khuyến khích.

Khó nhìn thấy ở bất cứ đâu
Công nghệ CV mới nhất tất cả cùng một lúc.

để học lý thuyết
Không có cách nào tốt hơn là thực hành.

Khuyến nghị cho
những người này

Xin chào
Đây là