吴恩达deeplearning.ai将于11月6日开放第四课,主讲卷积神经网络

简介:

截止到2017年10月25日,吴恩达在Coursera上有3门深度学习课程:

第一课:神经网络和深度学习(Neural Networks and Deep Learning)
第二课:改善深度神经网络:调优超参数,正则化和优化(Improving Deep Neural Networks: Hyperparamater tuning, Regularization and Optimization)
第三课:构建机器学习项目(Structuring Machine Learning Projects)

终于,11月6日吴恩达将在deeplearning.ai上开放第四节课程,这次课程的主要内容围绕卷积神经网络(CNNs)。

36cf05a39e7eaaaadb4b17312a7b9e41dc844776

根据网站上的介绍,第四课将教你如何建立卷积神经网络,并将其应用于图像数据。正如你所知道的,计算机得益于深度学习,它的视觉效果比两年前要好得多,现在有许多令人激动的应用,从安全的自动驾驶,到准确的面部识别,再到自动解读放射图像。

完成这门课程后,你将会:

  • 了解如何建立一个卷积神经网络,包括新近变化,如残差网络(residual networks)。
  • 知道如何将卷积网络应用到视觉检测和识别任务中。
  • 知道使用神经风格转变来产生艺术作品。
  • 能够将这些算法应用到各种图像、视频和其他二维或三维数据中。

本课程适用人群:

-已经学习了前两门专业课程,第三门课程是推荐学习的。
-已经对神经网络相关内容有了坚实的理解,并且想要学习卷积神经网络或处理图像数据。

教学方除了吴恩达之外,还有两名讲师,下面是他们的相关介绍:

017623acf261ba4230af500e7c6f5cc7c68a9cf6

本次课程的难易程度为中级,需要经过4周的时间来完成,每周花费4-5小时的学习时间。授课语言这次只以英语形式进行。其次,这节课目前还没有对你的硬件有任何要求,除非你想在本地下载Jupyter Notebook,以便进行离线工作。

最后,大家最关心的可能还是如何完成这门课程并拿到相关证书,要求就是通过所有记分作业即可。

本文为AiTechYun出品,转载请注明出处。更多内容关注微信公众号:atyun_com

目录
相关文章
|
5天前
|
机器学习/深度学习 计算机视觉 Python
【YOLOv11改进 - 注意力机制】SimAM:轻量级注意力机制,解锁卷积神经网络新潜力
【YOLOv11改进 - 注意力机制】SimAM:轻量级注意力机制,解锁卷积神经网络新潜力本文提出了一种简单且高效的卷积神经网络(ConvNets)注意力模块——SimAM。与现有模块不同,SimAM通过优化能量函数推断特征图的3D注意力权重,无需添加额外参数。SimAM基于空间抑制理论设计,通过简单的解决方案实现高效计算,提升卷积神经网络的表征能力。代码已在Pytorch-SimAM开源。
【YOLOv11改进 - 注意力机制】SimAM:轻量级注意力机制,解锁卷积神经网络新潜力
|
7天前
|
机器学习/深度学习 人工智能 物联网
5G与AI融合:智能网络的新纪元
【10月更文挑战第25天】
25 3
|
8天前
|
机器学习/深度学习 监控 自动驾驶
卷积神经网络有什么应用场景
【10月更文挑战第23天】卷积神经网络有什么应用场景
12 2
|
8天前
|
机器学习/深度学习 自然语言处理 算法
什么是卷积神经网络
【10月更文挑战第23天】什么是卷积神经网络
16 1
|
1天前
|
机器学习/深度学习 人工智能 TensorFlow
深度学习中的卷积神经网络(CNN)及其在图像识别中的应用
【10月更文挑战第32天】本文将介绍深度学习中的一个重要分支——卷积神经网络(CNN),以及其在图像识别领域的应用。我们将通过一个简单的代码示例,展示如何使用Python和TensorFlow库构建一个基本的CNN模型,并对其进行训练和测试。
|
7天前
|
机器学习/深度学习 自然语言处理 TensorFlow
深度学习中的卷积神经网络(CNN)及其应用
【10月更文挑战第26天】在这篇文章中,我们将深入探讨卷积神经网络(CNN)的基本原理、结构和应用。CNN是深度学习领域的一个重要分支,广泛应用于图像识别、语音处理等领域。我们将通过代码示例和实际应用案例,帮助读者更好地理解CNN的概念和应用。
|
9天前
|
机器学习/深度学习 算法 计算机视觉
深度学习与生活:如何利用卷积神经网络识别日常物品
【10月更文挑战第24天】在这篇文章中,我们将探索深度学习如何从理论走向实践,特别是卷积神经网络(CNN)在图像识别中的应用。通过一个简单的示例,我们将了解如何使用CNN来识别日常生活中的物体,如水果和家具。这不仅是对深度学习概念的一次直观体验,也是对技术如何融入日常生活的一次深刻反思。文章将引导读者思考技术背后的哲理,以及它如何影响我们的生活和思维方式。
|
26天前
|
机器学习/深度学习 人工智能 算法框架/工具
深度学习中的卷积神经网络(CNN)及其在图像识别中的应用
【10月更文挑战第7天】本文将深入探讨卷积神经网络(CNN)的基本原理,以及它如何在图像识别领域中大放异彩。我们将从CNN的核心组件出发,逐步解析其工作原理,并通过一个实际的代码示例,展示如何利用Python和深度学习框架实现一个简单的图像分类模型。文章旨在为初学者提供一个清晰的入门路径,同时为有经验的开发者提供一些深入理解的视角。
|
12天前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习中的卷积神经网络(CNN)及其应用
【10月更文挑战第21天】本文旨在深入探讨深度学习领域的核心组成部分——卷积神经网络(CNN)。通过分析CNN的基本结构、工作原理以及在图像识别、语音处理等领域的广泛应用,我们不仅能够理解其背后的技术原理,还能把握其在现实世界问题解决中的强大能力。文章将用浅显的语言和生动的例子带领读者一步步走进CNN的世界,揭示这一技术如何改变我们的生活和工作方式。