【Udemy中英字幕】Deep Learning : Convolutional Neural Networks with Python

深度学习：使用 Python 实现卷积神经网络

用于计算机视觉的 CNN 和用于分割、对象检测、分类、姿势估计的 Python 深度学习

讲师：Dr. Mazhar Hussain

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 使用 Python 和 Pytorch 的深度卷积神经网络从基础到专家
• 深度学习及其构建模块人工神经元简介
• 使用 Python 和 Pytorch 从头开始​​编写卷积神经网络架构
• 卷积神经网络的超参数优化以提高模型性能
• 通过增强功能来增加图像数据可变性的自定义数据集
• 使用 Pytorch 训练和测试卷积神经网络
• 评估 CNN 的性能指标（准确率、精确率、召回率、F1 分数）
• 可视化混淆矩阵并计算精度、召回率和 F1 分数
• 用于分割、对象跟踪和姿势估计的高级 CNN。
• 预训练卷积神经网络及其应用
• 使用卷积神经网络模型进行迁移学习
• 卷积神经网络编码器解码器架构
• 用于计算机视觉任务的 YOLO 卷积神经网络
• 基于区域的卷积神经网络进行物体检测

探索相关主题

• 卷积神经网络（CNN）
• 数据科学
• 发展

要求

• 需要有 Google Gmail 帐户才能开始使用 Google Colab 编写 Python 代码
• 有 Python 编程经验者优先，但非强制要求

描述

您准备好释放深度学习的力量并彻底改变您的职业生涯了吗？通过我们全面的课程《深度学习：使用 Python 和 Pytorch 的卷积神经网络 (CNN)》深入了解深度学习的迷人领域。探索 CNN 的强大功能和多功能性，这是一项彻底改变人工智能领域的尖端技术。通过实践 Python 教程，您将解开 CNN 架构的复杂性，掌握其设计、实现和优化。深度 CNN 的主要优势之一是它能够自动学习不同抽象级别的特征。网络的较低层学习低级特征，例如边缘或纹理，而较高层学习更复杂和抽象的特征。这种分层表示使深度学习模型能够捕获和理解数据中的复杂模式，从而使它们能够在图像识别、自然语言处理、语音识别等任务中表现出色。

介绍我们全面的深度 CNN 和 Python 课程，您将深入了解卷积神经网络，并掌握在现代 AI 时代取得成功所需的技能。计算机视觉是指旨在从图像或视频中提取知识的 AI 算法。计算机视觉是人工智能 (AI) 的一个领域，它使计算机能够理解和解释来自数字图像或视频的视觉信息。它涉及开发深度学习算法和技术，使机器能够分析、处理和从视觉数据中提取有意义的见解，就像人类的视觉系统一样。卷积神经网络 (CNN) 是计算机视觉任务中最常用的深度学习技术。CNN 非常适合处理网格状输入数据（例如图像），因为它们能够捕获空间层次结构和局部模式。

在当今数据驱动的世界中，卷积神经网络处于图像识别、对象检测和视觉理解任务的最前沿。了解 CNN 不仅对有抱负的数据科学家和机器学习工程师至关重要，而且对于寻求利用最先进技术推动各个领域创新的专业人士也至关重要。从自动驾驶汽车和医学成像到面部识别和增强现实，CNN 在不同行业中都有应用。无论您有兴趣革新医疗保健、增强自主系统还是开发尖端计算机视觉应用程序，本课程都将为您提供在任何与 CNN 相关的工作中脱颖而出的知识和技能。

课程主要学习成果：

• 使用 Python 和 Pytorch 的深度卷积神经网络从基础到专家

• 深度学习及其构建模块人工神经元简介

• 使用 Python 和 Pytorch 从头定义卷积神经网络架构

• 卷积神经网络的超参数优化以提高模型性能

• 通过增强功能来增加图像数据可变性的自定义数据集

• 使用 Pytorch 训练和测试卷积神经网络

• 评估 CNN 的性能指标（准确率、精确率、召回率、F1 分数）

• 可视化混淆矩阵并计算精度、召回率和 F1 分数

• 用于分割、对象跟踪和姿势估计的高级 CNN。

• 预训练卷积神经网络及其应用

• 使用卷积神经网络模型进行迁移学习

• 卷积神经网络编码器解码器架构

• 用于计算机视觉任务的 YOLO 卷积神经网络

• 基于区域的卷积神经网络进行物体检测

在本综合课程中，您将从头开始构建深度卷积神经网络架构，使用具有不同转换的数据集增强来增加图像变化性，在训练模型之前进行超参数优化以提高性能，在测试图像上进行模型验证，性能指标计算包括准确度、精确度、召回率、F1 分数和混淆矩阵可视化，以了解模型性能的详细见解，而不仅仅是简单的指标。然后，您将前进到高级 CNN 架构，包括 RESNT、用于图像分类的 ALEXNET、UNET、用于语义分割的 PSPNET 编码器解码器架构、用于 OD 的基于区域的 CNN 和用于实时对象检测、分类实例分割、对象跟踪和姿势估计的 YOLO CNN。

加入我们，踏上这段激动人心的旅程，您不仅可以掌握核心概念，还可以打开高级 CNN 架构的大门，掌握所需的技能，自信而专业地攻克最具挑战性的计算机视觉任务。您将遵循完整的流程，深入研究 CNN 的实际应用。我将为您提供完整的 Python 代码，以便从头开始构建、训练、测试和部署 CNN，以完成不同的人工智能任务。

不要错过这个将您的技能提升到更高水平的绝佳机会。立即报名，加入已经通过我们的课程改变职业生涯的数千名学生。“谢谢，课堂上见”！

本课程适合哪些人：

• 本课程专为对使用 Python 和 Pytorch 进行深度学习和卷积神经网络 (CNN) 解决现实世界的 AI 问题有浓厚兴趣的个人而设计。
• 无论您是希望在计算机视觉、对象跟踪、分割、姿势估计、分类、对象检测方面打下坚实基础的初学者，还是旨在提高技能的经验丰富的专业人士，本课程都将为您提供有关 CNN 的宝贵见解和实践经验。