Aprendizaje Profundo de Imágenes

Resumen

This hands-on course proves that deep learning isn't just about pressing "run" on a model. It's about turning satellite imagery into actual, useful insights.

You'll work with convolutional neural networks for land cover classification, fine-tune a pre-trained CNN using transfer learning, use data augmentation to improve performance, and apply Grad-CAM to see where the model is actually looking. Along the way, you'll practice translating raw satellite imagery into insights you can clearly communicate to others.

You are required to have basic Python programming, familiarity with machine learning concepts, and introductory knowledge of neural networks and image data. Designed for beginners in machine learning and remote sensing, Deep Learn Imagery builds your confidence in both working with deep learning and explaining what your models are doing.

Programa

• Ajuste Fino de CNNs para Cobertura del Suelo
En este módulo, aplicarás técnicas de aprendizaje por transferencia para ajustar finamente una red neuronal convolucional (CNN) preentrenada para la clasificación de cobertura del suelo utilizando imágenes de satélite. El módulo se centra en adaptar modelos de visión existentes a datos geoespaciales bajo restricciones del mundo real, como muestras limitadas etiquetadas, desbalance de clases, y desafíos de generalización espacial.
• Mejora del Rendimiento del Modelo con Aumento de Datos
En este módulo, los aprendices diseñan y aplican pipelines de aumento de datos para mejorar la generalización de redes neuronales convolucionales entrenadas en imágenes de satélite. El módulo se centra en seleccionar aumentos realistas que preserven el significado espacial mientras se aborda la limitación y el desbalance de datos de cobertura del suelo.
• Explicación de las Predicciones del Modelo con Grad-CAM
En este módulo, los aprendices utilizan visualizaciones de Grad-CAM para interpretar las predicciones de redes neuronales convolucionales para imágenes de satélite. El módulo enfatiza la comprensión de la atención del modelo, la identificación de modos de fallo, y la comunicación del comportamiento del modelo de manera clara a interesados técnicos y no técnicos.

---

Impartido por

Professionals from the Industry

---

Materias

Computer Science