¿Qué son las redes neuronales convolucionales y cómo funcionan? Las redes neuronales convolucionales (CNNs) se encuentran entre los tipos más comunes de redes neuronales usadas en la visión por computadora para reconocer objetos y patrones en imágenes. El curso introduce los métodos principales para identificar y localizar objetos dentro de una imagen o video. ¿Alguna vez te has preguntado cómo es posible dividir una imagen en diferentes secciones para formar objetos? Este curso explorará estos procesos y te enseñará los diversos métodos de muestreo denso para detectar objetos en una imagen o video. Descubrirás que la arquitectura You Only Look Once (YOLO) utiliza dos capas completamente conectadas. En contraste, la red de detector de una sola toma usa capas convolucionales de diferentes tamaños para detectar objetos. El curso revelará la importancia de RetinaNet para llenar los desequilibrios e inconsistencias de los métodos YOLO y de detector de una sola toma al tratar con clases extremas de primer plano-fondo.

A continuación, el curso destaca cómo los métodos de muestreo denso dan menos importancia a la alta repetibilidad y proporcionan una cobertura densa de los objetos representados. Aprende cómo la segmentación de imágenes con CNN implica alimentar segmentos de una imagen como entrada a una CNN, que etiqueta los píxeles. Descubre cómo la arquitectura CNN y los clasificadores softmax extraen características faciales distintivas y clasifican rostros en la capa CNN completamente conectada. Se describe la tarea de estimar poses humanas y el conteo de multitudes usando planificación profunda y CNNs. Este proceso incluye la evaluación de la configuración de las poses corporales a partir de una sola imagen monocular. Explorarás cómo la CNN emplea convolución, agrupación, unidades lineales rectificadas y capas completamente conectadas para extraer características y obtener un mapa de densidad de la multitud. El curso te ayudará a dominar la aplicación de las CNNs para tareas como la estimación de profundidad, la superresolución y la detección de anomalías.

Finalmente, se explica el método para obtener una representación de la estructura espacial de una escena, recuperando la forma tridimensional y la apariencia de los objetos en imágenes usando CNNs. Se te enseñará cómo usar CNNs para detectar eventos que se desvían del estándar al no seguir el resto del patrón. Después de esto, se explica la aplicación de redes neuronales recurrentes (RNNs) en el análisis de problemas de visión por computadora. Explorarás cómo las RNNs pueden trabajar con secuencias como texto, sonido, videos y datos financieros y cómo generan subtítulos para imágenes. También explorarás cómo el algoritmo de entrenamiento de retropropagación a través del tiempo se usa para actualizar los pesos en las RNNs, como las memorias a largo plazo. Por último, estudiarás cómo las redes neuronales convolucionales y recurrentes juegan un papel vital en la producción de una etiqueta relevante para un video, dadas sus fotogramas. Este es un curso esclarecedor que interesará a quienes estudian ciencias de la computación o a quienes estén interesados en estos temas. ¿Por qué esperar? ¡Inscríbete hoy y comienza a aprender sobre las funciones de las redes neuronales convolucionales y recurrentes en el procesamiento de información temporal y espacial!