Las redes neuronales convolucionales (CNN) son uno de los avances más importantes en la visión artificial. El curso presenta las operaciones y los parámetros fundamentales de la convolución. Descubrirá la importancia de las CNN para superar los desafíos de la red de retroalimentación a la hora de filtrar imágenes visuales. A continuación, se explica la aplicación del algoritmo de retropropagación en las distintas capas de las CNN. Además de esto, se describen las diversas funciones de las arquitecturas de CNN para extender el soporte más allá de las redes neuronales residuales. Se discuten los múltiples enfoques para comprender y visualizar las CNN. Investigará el procedimiento para visualizar las activaciones de las capas, recuperar las imágenes que activan al máximo una neurona y ocluir partes de la imagen. Este curso explica los métodos para interpretar y comprender las aplicaciones de la CNN en el análisis de imágenes y las perspectivas de las diversas características de la localización discriminatoria

A continuación, el curso explica cómo mejorar las explicaciones visuales de las redes convolucionales profundas mediante mapas de activación de clases ponderados en gradiente. Descubrirás cómo los métodos de levantamiento profundo y gradientes integrados superan los gradientes saturantes y la necesidad de utilizar el método XRAI para una mejor interpretabilidad en términos de coherencia visual. A continuación, se le enseñará cómo se realizaba la detección de objetos en la era anterior al aprendizaje profundo y cómo se pueden adaptar las CNN básicas a la detección de objetos. Además de esto, se explica la segmentación de imágenes mediante arquitecturas CNN. Este proceso incluirá la vinculación de cada píxel de una imagen a una etiqueta de clase mediante técnicas de segmentación semántica de imágenes. Se describe el concepto de comprensión y procesamiento de tareas para el reconocimiento y la verificación facial. Explorará algunos de los esfuerzos recientes que han utilizado las CNN para realizar tareas de reconocimiento facial, como la identificación y la verificación

Por último, determinará cómo las redes neuronales recurrentes (RNN) pueden realizar la misma tarea a partir de los datos anteriores, lo que incluirá el proceso de entrenamiento de las RNN mediante el algoritmo de retropropagación. Se explica el proceso de resolver el problema del gradiente que desaparece mediante cambios en la arquitectura de un RNN. Descubrirás cómo el problema del gradiente que desaparece dio lugar al desarrollo de modelos populares, como las unidades recurrentes cerradas y la memoria a corto plazo. Por último, se le enseñará el método de procesamiento de vídeos utilizando redes neuronales convolucionales y recurrentes. Este es un curso esclarecedor que interesará a quienes estudien informática o a quienes estén interesados en estos temas. ¿Por qué esperar? Inscríbase hoy mismo y comience a aprender sobre una clase de redes neuronales artificiales que se han vuelto dominantes en diversas tareas de visión artificial.