Aperçu
Les réseaux neuronaux peuvent être configurés de différentes manières en fonction du type de données et des objectifs. Ce cours vous aidera à comprendre comment choisir correctement une architecture de réseau neuronal pour les données d'images ou audio.
L'apprentissage profond, contrairement à l'apprentissage automatique, permet de traiter de manière plus robuste les données d'images et audio pour divers problèmes de science des données tels que la classification et le clustering. Cela est en grande partie dû à la puissance des réseaux neuronaux et à leur capacité d'apprendre les caractéristiques appropriées pour représenter les images et les données audio sans avoir à sélectionner manuellement ces caractéristiques comme on le ferait dans l'apprentissage automatique traditionnel. Cependant, comprendre la bonne architecture du réseau neuronal est essentiel pour obtenir le meilleur résultat possible.
Dans ce cours, Utilisation des réseaux neuronaux pour l'analyse des données d'images et de voix, vous acquerrez la capacité de transformer les données d'images et audio et de les représenter sous forme numérique (vecteur de caractéristiques) pour être alimentées à un réseau neuronal. Tout d'abord, vous explorerez la façon dont les data scientists définissent des problèmes en termes de vectorisation et de format attendu pour la reconnaissance d'images, la détection d'objets et le speech-to-text, afin que les réseaux neuronaux puissent ingérer et inférer ces données. Ensuite, vous découvrirez comment évaluer correctement différentes architectures de réseaux neuronaux, des plus rudimentaires comme le CNN classique, aux plus avancées comme les modèles basés sur les transformers, afin de résoudre correctement un problème particulier basé sur des images ou du son, ainsi que leurs forces et faiblesses. Enfin, vous verrez comment utiliser un cadre d'apprentissage profond appelé PyTorch pour tester facilement différentes implémentations de réseaux neuronaux, et examiner comment il s'entraîne contre les données ainsi que mesurer les performances du modèle à l'aide de diverses métriques. Quand vous aurez terminé ce cours, vous aurez les compétences et les connaissances sur les réseaux neuronaux nécessaires pour discerner et exécuter correctement une architecture de réseau neuronal étant donné des données d'images et de voix.
Université : Pluralsight
Fournisseur : Pluralsight
Catégories :
- Cours d'apprentissage profond
- Cours sur les réseaux neuronaux
- Cours de science des données
- Cours de reconnaissance d'images
- Cours de détection d'objets
- Cours de speech-to-text
- Cours sur l'architecture des réseaux neuronaux
Programme
Enseigné par
Étiquettes
