Fondations des réseaux de neurones et de la vision par ordinateur

Aperçu

This course guides you through the foundational principles behind neural networks and computer vision systems, focusing on how forward propagation, backpropagation, optimization, and convolutional architectures enable modern AI applications. Through hands-on demonstrations and practical exercises, you’ll learn to build neural networks from scratch, train them effectively, and apply these models to real-world vision tasks such as image classification, detection, and similarity learning.

By the end of this course, you will be able to:

- Explain how neural networks learn using forward passes, loss functions, and backpropagation - Implement neural network training pipelines and analyze model convergence - Apply optimization, regularization, and normalization techniques to improve performance - Understand convolutional neural networks and how they extract visual features - Build and evaluate end-to-end image classification and computer vision systems This course is ideal for aspiring AI practitioners, data scientists, software engineers, and ML engineers looking to develop a strong foundation in neural networks and vision-based learning. A working knowledge of Python and basic machine learning concepts is recommended.

Join us to build a solid foundation in neural networks and computer vision, the core technologies powering today’s intelligent AI systems.

Programme

• Fondations des réseaux de neurones
Ce module introduit les réseaux de neurones à partir des principes fondamentaux, expliquant comment les modèles calculent des prédictions, mesurent l'erreur et apprennent par rétropropagation. Les apprenants mettent en œuvre des passages avant, des boucles d'entraînement et un flux de gradient pour construire une base solide sur le fonctionnement de l'apprentissage des réseaux de neurones.
• Techniques d'optimisation et de régularisation
Ce module se concentre sur l'entraînement des réseaux de neurones de manière efficace et fiable en utilisant la descente de gradient, des optimiseurs adaptatifs et des stratégies de taux d'apprentissage. Les apprenants appliquent des techniques de régularisation et de normalisation pour stabiliser l'entraînement et améliorer la généralisation.
• Fondations de la vision par ordinateur et réseaux de neurones convolutionnels
Ce module applique les fondamentaux de l'apprentissage profond aux données visuelles, en introduisant les réseaux de neurones convolutionnels et la représentation d'images. Les apprenants construisent des systèmes pour la classification, la détection, la segmentation et l'apprentissage de similitude.
• Conclusion du cours
Ce module consolide l'apprentissage à travers un projet de vision pratique et une évaluation finale. Les apprenants démontrent leur capacité à concevoir, entraîner et évaluer des systèmes d'apprentissage profond complets.

---

Enseigné par

Edureka

---

Matières

Artificial Intelligence