Aperçu
Master modern computer vision through a practical, PyTorch‑first path. In this course you will build, train, and evaluate deep neural networks to solve real‑world image problems.
You’ll begin with the end‑to‑end ML workflow and a simple multilayer perceptron (MLP), then learn the core building blocks of convolutional neural networks (CNNs):
convolution, pooling, feature maps, and activation functions. From there, you’ll implement and fine‑tune state‑of‑the‑art architectures such as VGG and ResNet, and practice best‑practice model evaluation.
You will then tackle object detection and localization with YOLO, SSD, and Faster R‑CNN, and progress to image segmentation with U‑Net and Mask R‑CNN. Along the way you’ll use PyTorch to perform data augmentation, hyperparameter tuning, and non‑maximum suppression while balancing accuracy, speed, and deployment constraints.
Designed for learners with basic Python and NumPy, this course is ideal for aspiring machine‑learning engineers, data scientists, and developers who want industry‑ready experience with CNNs, transfer learning, object detection, and image segmentation. Build a portfolio‑quality project and gain in‑demand skills for AI‑powered products.
Expect clear code templates and real datasets for practice and reproducible workflows.
Programme
- Module 1 : Introduction à l'IA, l'apprentissage automatique, la vision par ordinateur et PyTorch
Ce module présente aux étudiants l'Intelligence Artificielle (IA) et l'apprentissage automatique avec un aperçu complet des concepts fondamentaux, théories et applications de l'IA et de l'apprentissage automatique. Grâce à une combinaison de conférences théoriques, d'exercices pratiques et d'exemples réels, les étudiants acquerront une compréhension de base de l'IA et de son sous-domaine, l'apprentissage automatique.
- Module 2 : Flux de travail des fondamentaux de l'apprentissage automatique et Perceptron multicouche (MLP)
Ce module initie les étudiants aux modèles de Perceptron multicouche (MLP) et de Réseau de Neurones Convolutionnel (CNN) avec une compréhension complète de l'architecture, de l'entraînement et des applications des MLP et des CNN dans le domaine de l'IA et de l'apprentissage automatique. À travers des conférences théoriques, des exercices pratiques et une mise en œuvre pratique, les étudiants acquerront les connaissances et les compétences nécessaires pour concevoir, entraîner et utiliser des modèles MLP et CNN pour diverses tâches.
- Module 3 : Fondamentaux des Réseaux de Neurones Convolutionnels (CNN)
Ce module initie les étudiants à des sujets/techniques avancés dans les Réseaux de Neurones Convolutionnels (CNN) avec une compréhension approfondie des techniques et applications avancées dans le domaine des CNN. En se concentrant sur des sujets tels que l'apprentissage par transfert, la visualisation des couches et les modèles génératifs, les étudiants acquerront les connaissances et les compétences pour exploiter la puissance des CNN pour des tâches complexes d'analyse d'images.
- Module 4 : Architectures CNN avancées
Ce module sur la Détection d'Objets et la Segmentation Sémantique utilisant l'Apprentissage Profond fournira aux étudiants une compréhension complète des techniques avancées pour détecter des objets et effectuer une segmentation au niveau des pixels dans les images et les vidéos. Grâce à une combinaison de conférences théoriques, d'exercices pratiques et de projets pratiques, les étudiants acquerront les connaissances et les compétences nécessaires pour aborder efficacement des tâches complexes de vision par ordinateur en utilisant des méthodes d'apprentissage profond.
- Module 5 : Détection et Localisation d'Objets
Ce module sur l'Apprentissage Profond pour la Vision par Ordinateur avec PyTorch offre aux étudiants une compréhension complète de l'utilisation du cadre PyTorch pour résoudre diverses tâches de vision par ordinateur. À travers une combinaison d'exercices pratiques et de projets concrets, les étudiants acquerront les connaissances et les compétences nécessaires pour aborder efficacement des tâches de classification, de modélisation générative, de détection d'objets et de segmentation d'images en utilisant des techniques d'apprentissage profond.
- Module 6 : Segmentation d'Images
Ce module sur la Segmentation d'Images offre aux étudiants une compréhension complète des techniques avancées pour segmenter et analyser des images en utilisant des méthodes d'apprentissage profond. Les étudiants acquerront les connaissances et les compétences nécessaires pour construire, entraîner et évaluer des modèles de segmentation d'images pour une gamme d'applications de vision par ordinateur.
- Projet de synthèse : Application réelle avec PyTorch
Ce module sert de point culminant dans lequel les étudiants appliqueront les concepts et techniques développés tout au long du cours dans un contexte pratique de vision par ordinateur. À travers un travail basé sur des projets et la résolution de problèmes appliquée, les étudiants développeront davantage leur compréhension de l'apprentissage profond avec PyTorch tout en démontrant leur capacité à aborder des tâches réelles de vision par ordinateur.
Enseigné par
Aamna Mohammed Al Shehhi
Matières
Computer Science
