Einführung
Heutzutage steht eine überwältigende Menge an Ressourcen zum Erlernen von Computer Vision Konzepten zur Verfügung.. Wie wählen Sie aus einer Vielzahl von Tutorials aus?? Wie lohnt es sich, Zeit zu investieren?
Wenn Ihnen diese Fragen bekannt vorkommen, Sie sind an der richtigen Stelle. Wir verstehen den Schmerz und den Aufwand, der mit der Verwendung von Hunderten von Ressourcen und der Auswahl derjenigen verbunden ist, die Ihre Zeit wert sind.. Das ist einer der Hauptgründe, warum wir Lernpfade überhaupt eingeführt haben..
Bis letztes Jahr, wir fokussieren uns ausgiebig auf zwei Wege: aprendizaje automático y tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit.... Aber unsere Community wollte mehr granulare Straßen; Sie wollten auch einen strukturierten Lernpfad für Computer Vision.
Und das ist verständlich. Die Nachfrage und der Wert eines Computer Vision Experten sind in der Branche sehr hoch. Spezialisieren Sie sich auf Computer Vision und ihre verschiedenen Facetten, und Sie werden viele Personalvermittler sehen, die versuchen, Sie in die Finger zu bekommen.
Ich erinnere mich, als ich meine eigene Computer Vision Reise begann. Ich bezog mich auf mehrere Ressourcen gleichzeitig: Bücher, Artikel (davon gab es damals nicht viele), Youtube Videos, unter anderem. Es war ein vereinzelter Weg zur Beherrschung der Computer Vision.
Deswegen, Ich habe mich gefreut, die Gelegenheit zu haben, diesen strukturierten Lernpfad für Computer Vision für Sie zusammenzustellen. Bevor wir darauf eingehen, Lassen Sie uns den Rahmen verstehen, den ich geschaffen habe, um Ihre Lernreise zu optimieren.
Unser Framework für den Lernpfad Computer Vision
Jeder Monat hat auch eine Struktur. So haben wir die verschiedenen Aspekte kategorisiert, die Sie für jeden Monat wissen sollten:
- Ziel: Was wirst du in diesem Monat lernen? Was sind die wichtigsten Erkenntnisse? Wie wird Ihre Reise im Bereich Computer Vision voranschreiten?? Wir erwähnen dies zu Beginn jedes Monats, um sicherzustellen, dass Sie wissen, wo Sie sich befinden und wo Sie am Ende des jeweiligen Monats sein werden..
- Vorgeschlagene Zeit: Wie viel Zeit sollte ich durchschnittlich pro Woche für diesen Abschnitt aufwenden?
- Ressourcen zum Lernen: Eine Sammlung von Top-Ressourcen für die Computer Vision-Themen, die Sie in diesem Monat lernen werden. Dazu gehören Artikel, Tutorials, Videos, Forschungsarbeiten und andere ähnliche Ressourcen.
Sie können die entsprechende Infografik zu diesem Lernpfad herunterladen. hier.
Auf der Suche nach anderen Lernpfaden in Data Science? Mach dir keine Sorgen, Wir haben es abgedeckt:
Mein 1 – Die Grundlagen abdecken: Python und Statistiken
Ziel: Am Ende des ersten Monats, ein grundlegendes Verständnis davon haben, was Computer Vision ist. Sie werden auch mit Python und Statistik vertraut sein, beides zentrale Themen Ihrer Computer Vision Reise.
Vorgeschlagene Zeit: 5-6 Stunden pro Woche
Einführung und Motivation für Computer Vision: SAS-Tutorial und Computer Vision: was ist das und warum ist es wichtig.
Bisherige Anforderungen:
Mein 2 – Lösen von a Bildklassifizierungsproblem mit maschinellem Lernen
Ziel: Sie haben ein grundlegendes Verständnis von maschinellem Lernen. Sie sollten mit verschiedenen Bildvorverarbeitungstechniken vertraut sein und in der Lage sein, Bildklassifizierungsprobleme mit Modellen des maschinellen Lernens zu lösen.
Vorgeschlagene Zeit: 5-6 Stunden pro Woche
Grundlagen des maschinellen Lernens:
Bildvorverarbeitung:
Bildklassifizierung mit maschinellem Lernen:
Projekt: Identifizieren Sie die Kleidungsstücke
Mein 3 – Einführung in Keras und neuronale Netze
Ziel: Sie lernen eines der am häufigsten verwendeten Deep-Learning-Tools: Schwer. Sie werden auch verstehen, was neuronale Netze sind und wie sie funktionieren. Ende März, in der Lage sein, Bildklassifikationsprobleme mit neuronalen Netzen zu lösen.
Vorgeschlagene Zeit: 4-5 Stunden pro Woche
Machen Sie es sich mit Keras . bequem:
Einführung in neuronale Netze:
- Neuronale Netze von 3Blue1Brown:
Projekt: Identifizieren Sie die Kleidungsstücke
Mein 4: Verständnis von faltenden neuronalen Netzen (CNN), Lerntransfer und Erstellung Ihres Profils
Ziel: Ich nenne das gerne den Monat „ziehen um“ auf Ihrer Computer Vision Reise. Hier geht es mit der Einführung in Convolutional Neural Networks noch weiter. (CNN). Diese CNNs stehen hinter vielen der jüngsten Computer-Vision-Anwendungen, die wir um uns herum sehen., inklusive Objekterkennung. An diesem Punkt deiner Reise, Sie sollten auch mit dem Aufbau Ihres Profils beginnen, indem Sie an Wettbewerben teilnehmen.
Vorgeschlagene Zeit: 6-7 Stunden pro Woche
Einführung in Convolutional Neural Networks (CNN):
Introducción al transferiertes LernenEl aprendizaje transferido se refiere a la capacidad de aplicar conocimientos y habilidades adquiridos en un contexto a otro diferente. Este fenómeno es fundamental en la educación, ya que facilita la adaptación y resolución de problemas en diversas situaciones. Para optimizar el aprendizaje transferido, es importante fomentar conexiones entre los contenidos y promover la práctica en entornos variados, was zur Entwicklung übertragbarer Kompetenzen beiträgt....:
Projekt: Identifiziere die Ziffern
Erstellen Sie Ihr Profil: an Wettbewerben teilnehmen:
Mein 5: Fehlerbehebung bei der Objekterkennung
Ziel: Objekterkennung ist eine weit verbreitete Computer-Vision-Technik (vielleicht DAS meistgenutzte). Das hat mich in erster Linie zur Computer Vision gereizt!! In diesem Monat dreht sich alles darum, sich mit den verschiedenen Objekterkennungsalgorithmen vertraut zu machen. Was ist mehr, Ich empfehle dringend, Artikel über die Konzepte zu schreiben, die Sie bisher gelernt haben.
Vorgeschlagene Zeit: 6-7 Stunden pro Woche
Fehlerbehebung bei der Objekterkennung:
Projekt:
Beginnen Sie mit dem Schreiben von Artikeln, um mit der Community in Kontakt zu treten, Profil aufbauen und das eigene Verständnis der Themen festigen.
Mein 6: Verständnis von Bildsegmentierungs- und Aufmerksamkeitsmodellen
Ziel: Im Juni, er wird lernen, Probleme zu lösen SegmentierungDie Segmentierung ist eine wichtige Marketingtechnik, bei der ein breiter Markt in kleinere, homogenere Gruppen unterteilt wird. Diese Praxis ermöglicht es Unternehmen, ihre Strategien und Botschaften an die spezifischen Merkmale jedes Segments anzupassen, So verbessern Sie die Effektivität Ihrer Kampagnen. Das Targeting kann auf demografischen Kriterien basieren, psychografisch, geografisch oder verhaltensbezogen, Erleichterung einer relevanteren und persönlicheren Kommunikation mit der Zielgruppe.... Anzahl von Bildern. Sie werden auch verstehen, was Pflegemodelle sind (sowohl theoretisch als auch praktisch). Hier beginnt sich Ihr tiefes Eintauchen in Computer Vision wirklich auszuzahlen..
Vorgeschlagene Zeit: 6-7 Stunden pro Woche
Einführung in die Bildsegmentierung:
Projekt: COCO-Segmentierungsherausforderung
Pflegemodelle:
Mein 7: Entdecken Sie Deep-Learning-Tools
Ziel: Ein wirklich lustiger Lernmonat!! Wir haben bisher viele Computer-Vision-Konzepte behandelt, Jetzt ist es an der Zeit, mit Deep-Learning-Frameworks der nächsten Generation zur Sache zu kommen!! Das kommt auf die Wahl an, aber wir empfehlen die beiden derzeit gängigsten in der Branche: PyTorch und TensorFlow. Versuchen Sie, alle bisher behandelten Konzepte in einem dieser Tools zu implementieren.
Vorgeschlagene Zeit: 6-7 Stunden pro Woche
PyTorch:
TensorFlow:
Mein 8 – Die Grundlagen von NLP und Bildunterschriften verstehen
Ziel: Hier beginnt Ihre Spezialisierung. Hier haben Sie die Möglichkeit, Ihre Kenntnisse des Deep Learning mit den Konzepten der Natural Language Processing zu kombinieren. (NLP) um Bildunterschriftsprojekte zu lösen.
Vorgeschlagene Zeit: 6-7 Stunden pro Woche
Grundlagen der Verarbeitung natürlicher Sprache (PNL):
- Stanford Word Inlays:
- Einführung in rekurrente neuronale Netze (RNN):
Bildunterschriften verstehen
Projekt: COCO Caption Challenge
Mein 9 – Sich mit generativen gegnerischen Netzwerken vertraut machen (GAN)
Ziel: Im September, verstehen Sie Generative Adversary Networks (GAN). GANs sind in die Höhe geschossen, seit Ian Goodfellow sie offiziell vorgestellt hat 2014. Es gibt heutzutage viele GAN-Anwendungen in der realen Welt, inklusive Malerei, Bildgebung, etc.
Vorgeschlagene Zeit: 6-7 Stunden pro Woche
Verständnis konfrontativer generativer Netzwerke (GAN):
- Generative Netzwerke der Konfrontation (GAN) von Ian Goodfellow:
Mein 10: Einführung in die Videoanalyse
Ziel: Videoanalyse ist eine florierende Anwendung von Computer Vision. Die Nachfrage nach dieser Fertigkeit wird nur um steigen 2020 (und darüber hinaus), Daher ist es eine gute Idee, zumindest über praktische Kenntnisse im Umgang mit Videodatensätzen zu verfügen.
Vorgeschlagene Zeit: 5-6 Stunden pro Woche
Einführung in AnalyseAnalytics bezieht sich auf den Prozess des Sammelns, Messen und analysieren Sie Daten, um wertvolle Erkenntnisse zu gewinnen, die die Entscheidungsfindung erleichtern. In verschiedenen Bereichen, wie Business, Gesundheit und Sport, Analysen können Muster und Trends erkennen, Prozesse optimieren und Ergebnisse verbessern. Der Einsatz fortschrittlicher Werkzeuge und statistischer Techniken ist unerlässlich, um Daten in anwendbares und strategisches Wissen umzuwandeln.... Von Video:
Monate 11 Ja 12 – Projekte lösen und Profil aufbauen
Ziel: In den letzten zwei Monaten geht es darum, praktische Erfahrungen zu sammeln und an mehreren Projekten und Wettbewerben teilzunehmen. Bisher haben wir Projekte mit Lernkonzepten abgedeckt; Jetzt ist es an der Zeit, Ihr Lernen mit realen Datensätzen zu entfesseln.
Vorgeschlagene Zeit: 5-6 Stunden pro Woche
Infografiken – Lernpfad für maschinelles Sehen für 2020
Ihre Fortschritte zu verfolgen, während Sie neue Dinge lernen, ist der Schlüssel zu einem strukturierten Lernprozess. Ich führe gerne eine Checkliste, während ich lerne., Dinge markieren, während ich in die Domäne eintauche. Und welche bessere Checkliste als eine illustrierte mit einer monatlichen Aufschlüsselung dieses Computer-Vision-Lernpfads?? Hier hast du:
