redes neurais convolucionais (CNNs) são um dos avanços mais significativos na visão computacional. O curso apresenta as operações e parâmetros fundamentais da convolução. Você descobrirá a importância das CNNs para superar os desafios da rede feedforward na filtragem de imagens visuais. Em seguida, a aplicação do algoritmo de retropropagação nas várias camadas de CNNs é explicada. Além disso, as várias funções das arquiteturas CNN para estender o suporte além das redes neurais residuais são descritas. As várias abordagens para entender e visualizar CNNs são discutidas. Você investigará o procedimento para visualizar ativações de camadas, recuperar imagens que ativam ao máximo um neurônio e ocluir partes da imagem. Este curso explica os métodos para interpretar e compreender as aplicações da CNN na análise de imagens e as perspectivas dos vários recursos de localização discriminativa

Em seguida, o curso explica como melhorar as explicações visuais para redes convolucionais profundas usando mapas de ativação de classes ponderadas por gradiente. Você descobrirá como os métodos de elevação profunda e gradientes integrados superam os gradientes de saturação e a necessidade de usar o método XRAI para uma melhor interpretabilidade em termos de coerência visual. Depois disso, você aprenderá como a detecção de objetos era realizada na era pré-aprendizagem profunda e como as CNNs básicas podem ser adaptadas à detecção de objetos. Além disso, a segmentação de imagens usando arquiteturas CNN é explicada. Esse processo incluirá a vinculação de cada pixel em uma imagem a um rótulo de classe usando técnicas de segmentação semântica de imagens. O conceito de compreensão e processamento de tarefas para reconhecimento e verificação facial é divulgado. Você explorará alguns dos esforços recentes que usaram CNNs para realizar tarefas de reconhecimento facial, como identificação e verificação

Por fim, você determinará como as redes neurais recorrentes (RNNs) podem realizar a mesma tarefa a partir da saída de dados anteriores, o que incluirá o processo de treinamento de RNNs usando o algoritmo de retropropagação. O processo de resolver o problema do gradiente de desaparecimento usando mudanças na arquitetura de um RNN é explicado. Você descobrirá como o problema do gradiente de desaparecimento deu origem ao desenvolvimento de modelos populares, como unidades recorrentes fechadas e memória longa de curto prazo. Por fim, você aprenderá sobre o método de processamento de vídeos usando redes neurais convolucionais e recorrentes. Este é um curso esclarecedor que interessará a quem estuda ciência da computação ou a quem se interessa por esses tópicos. Por que esperar? Inscreva-se hoje e comece a aprender sobre uma classe de redes neurais artificiais que se tornaram dominantes em várias tarefas de visão computacional.