Las aplicaciones de las redes generativas antagónicas (GANs) y las tendencias modernas en el aprendizaje profundo para la visión por computadora son los componentes centrales de este curso. Comienza ilustrando las modificaciones de las GANs. Descubrirás el papel de los discriminadores en la identificación de la realidad y la falsedad de la tupla. Este componente incluye las técnicas y aplicaciones mejoradas de las GANs. A continuación, se explica la noción de traducción de dominio en la visión por computadora. Explorarás el proceso de crear un patrón similar a los datos representados en el dominio objetivo basándose en la entrada del dominio fuente. La generación de imágenes en múltiples dominios utilizando redes generativas antagónicas sigue. Estudia las diversas asociaciones del desentrelazamiento con autoencoders variacionales. Luego descubrirás el proceso de exponer el espacio latente extricado y obtener las capacidades de desentrelazamiento y reconstrucción.

A continuación, el curso ilustra el uso de modelos generativos profundos para revisar videos e imágenes. Estudiarás el procedimiento para editar imágenes utilizando redes generativas antagónicas condicionales invertibles. Además, se describe la importancia de la dinámica de la escena y las futuras poses en la generación y pronóstico de videos. Los conceptos de aprendizaje de cero-shot y few-shot vienen a continuación. Determinarás los procedimientos para construir modelos de reconocimiento para clases objetivo ocultas y sin etiquetar utilizando métodos de aprendizaje de cero-shot. Posteriormente, se ilustra el proceso de pronosticar los resultados basándose en muestras restringidas utilizando el aprendizaje de few-shot. Explora la taxonomía de métodos que restringen hipótesis, aumentan el entrenamiento y alteran la estrategia de búsqueda utilizando conocimientos previos. El curso aborda el concepto de aprendizaje auto-supervisado en la visión por computadora. Descubre cómo se entrena a las computadoras para realizar tareas sin la ayuda de humanos en el etiquetado de datos. También se describe el procedimiento para extraer representaciones significativas de tareas posteriores.

Finalmente, aprenderás los métodos para generar etiquetas explotando una plétora de datos sin etiquetar utilizando procesos de aprendizaje auto-supervisado. Se destacan los procedimientos para predecir la robustez antagónica utilizando distribuciones de probabilidad. Comprenderás las limitaciones del aprendizaje auto-supervisado y cómo son vulnerables a varios ataques maliciosos. Explora el método para establecer mecanismos de defensa antagónicos para mejorar la fuerza de las redes neuronales entrenándolas con varios tipos de pruebas antagónicas. Después de esto, se discuten los múltiples métodos de compresión de modelos. Descubre el proceso de comprimir un modelo sin comprometer su precisión y rendimiento, incluyendo los métodos para eliminar parámetros redundantes para acelerar el rendimiento. Por último, aprenderás las habilidades esenciales necesarias para construir redes neuronales óptimas que reemplacen los modelos hechos a mano. Si estudiar los diferentes métodos involucrados en la transformación de información de imágenes y descubrir formas de proteger los modelos de aprendizaje de varios tipos de amenazas te cautiva, este curso es para ti. ¡No te demores: inscríbete hoy mismo!