Introdução
Há uma quantidade esmagadora de recursos disponíveis atualmente para aprender conceitos de visão por computador. Como escolher entre uma enorme variedade de tutoriais? Em que vale a pena investir o seu tempo?
Se estas perguntas lhe soam familiares, vem ao lugar certo. Compreendemos a dor e o esforço que implica utilizar centenas de recursos e escolher aqueles que merecem o seu tempo. Essa é uma das principais razões pelas quais lançámos percursos de aprendizagem em primeiro lugar.
Até ao ano passado, focámo-nos amplamente em dois percursos: aprendizado de máquina e aprendizado profundoAqui está o caminho de aprendizado para dominar o aprendizado profundo em, Uma subdisciplina da inteligência artificial, depende de redes neurais artificiais para analisar e processar grandes volumes de dados. Essa técnica permite que as máquinas aprendam padrões e executem tarefas complexas, como reconhecimento de fala e visão computacional. Sua capacidade de melhorar continuamente à medida que mais dados são fornecidos a ele o torna uma ferramenta fundamental em vários setores, da saúde.... Mas a nossa comunidade queria percursos mais detalhados; queriam também um percurso de aprendizagem estruturado para visão por computador.
E isso é compreensível. A procura e o valor de um especialista em visão computacional são muito elevados na indústria. Especialize-se em visão computacional e nas suas diversas facetas, e verá muitos recrutadores a tentar pôr-lhe as mãos em cima.
Lembro-me de quando comecei a minha própria jornada em visão computacional. Referia-me a múltiplos recursos ao mesmo tempo: livros, artigos (dos quais não havia muitos nessa altura), vídeos do YouTube, entre outras coisas. Foi um caminho disperso para dominar a visão computacional.
Portanto, Fiquei satisfeito por ter a oportunidade de criar este roteiro de aprendizagem estruturado em visão computacional para si. Antes de nos aprofundarmos nele, vamos compreender a estrutura que criei para agilizar a sua jornada de aprendizagem.
O nosso quadro para a rota de aprendizagem de visão por computador
Cada mês também tem uma estrutura. É assim que categorizámos os diferentes aspetos que deve conhecer para cada mês:
- objetivo: O que irá aprender nesse mês? Quais são as conclusões principais? Como irá evoluir a sua jornada em visão por computador? Mencionamos isto no início de cada mês para garantir que sabe onde se encontra e onde estará no final desse mês em particular.
- Hora sugerida: Quanto tempo, em média, deverá dedicar a essa secção por semana
- Recursos para aprender: Uma coleção dos principais recursos para os tópicos de visão por computador que irá aprender nesse mês. Isso inclui artigos, tutoriais, videos, artigos de investigação e outros recursos similares.
Puedes descargar la infografía correspondiente de esta ruta de aprendizaje. aqui.
¿Busca otras rutas de aprendizaje en ciencia de datos? Não se preocupe, lo tenemos cubierto:
Meu 1 – Cubriendo los conceptos básicos: Python y estadísticas
objetivo: Al final del primer mes, tendrá un conocimiento básico de lo que es la visión por computadora. También se sentirá cómodo con Python y Estadísticas, ambos temas centrales en su viaje de visión por computadora.
Hora sugerida: 5-6 horas por semana
Introducción y motivación para la visión por computadora: Tutorial de SAS e visão computacional: qué es y por qué es importante.
Requisitos anteriores:
Meu 2 – Resolviendo un Problema de clasificación de imágenes mediante el aprendizaje automático
objetivo: Tendrá una comprensión básica del aprendizaje automático. Debe sentirse cómodo con las diferentes técnicas de preprocesamiento de imágenes y podrá resolver problemas de clasificación de imágenes utilizando modelos de aprendizaje automático.
Hora sugerida: 5-6 horas por semana
Conceptos básicos del aprendizaje automático:
Procesamiento previo de imágenes:
Clasificación de imágenes mediante aprendizaje automático:
Projeto: Identificar las prendas
Meu 3 – Introducción a Keras y redes neuronales
objetivo: Aprenderá una de las herramientas de aprendizaje profundo más utilizadas: Duro. También comprenderá qué son las redes neuronales y cómo funcionan. A finales de marzo, podrá resolver problemas de clasificación de imágenes utilizando redes neuronales.
Hora sugerida: 4-5 horas por semana
Sentirse cómodo con Keras:
Introdução às redes neurais:
- Redes neuronais de 3Blue1Brown:
Projeto: Identificar las prendas
Meu 4: compreensão das redes neuronais convolucionais (CNN), transferência de aprendizagem e criação do seu perfil
objetivo: Gosto de chamar a este o mês “em movimento” na sua viagem de visão por computador. É aqui que as coisas evoluem com a introdução às redes neuronais convolucionais (CNN). Estas CNN estão por trás de muitas das aplicações recentes de visão por computador que vemos à nossa volta, incluindo a deteção de objetos. Neste ponto da sua viagem, também deve começar a construir o seu perfil participando em concursos.
Hora sugerida: 6-7 horas por semana
Introdução às redes neuronais convolucionais (CNN):
Introducción al aprendizagem transferidaA aprendizagem transferida refere-se à capacidade de aplicar conhecimentos e competências adquiridos num contexto a outro diferente. Este fenómeno é fundamental na educação, já que facilita a adaptação e a resolução de problemas em diversas situações. Para otimizar a aprendizagem transferida, é importante fomentar ligações entre os conteúdos e promover a prática em ambientes variados, o que contribui para o desenvolvimento de competências transferíveis....:
Projeto: Identifique os dígitos
Constrói o teu perfil: participa em concursos:
Meu 5: resolução de problemas de deteção de objetos
objetivo: A deteção de objetos é uma técnica de visão computacional amplamente utilizada (talvez A mais utilizada). Isto é o que inicialmente me atraiu para a visão por computador! Este mês é dedicado a familiarizar-se com os diferentes algoritmos de deteção de objetos. O que mais, Recomendo vivamente escrever artigos sobre os conceitos que aprendeu até agora.
Hora sugerida: 6-7 horas por semana
Resolução de problemas de deteção de objetos:
Projeto:
Comece a escrever artigos para interagir com a comunidade, Construir o seu perfil e consolidar a sua própria compreensão dos temas.
Meu 6: Compreensão da segmentação de imagens e dos modelos de atenção
objetivo: Em junho, Aprenderá a resolver problemas de O desempenho é exibido como gráficos de dispersão e caixaA segmentação é uma técnica de marketing chave que envolve a divisão de um mercado amplo em grupos menores e mais homogêneos. Essa prática permite que as empresas adaptem suas estratégias e mensagens às características específicas de cada segmento, melhorando assim a eficácia de suas campanhas. A segmentação pode ser baseada em critérios demográficos, psicográfico, geográfico ou comportamental, facilitando uma comunicação mais relevante e personalizada com o público-alvo.... de imágenes. Também compreenderá o que são os modelos de atenção (tanto teórica como praticamente). Aqui é onde a sua imersão profunda em visão por computador realmente começa a dar frutos.
Hora sugerida: 6-7 horas por semana
Introdução à segmentação de imagens:
Projeto: Desafio de segmentação COCO
Modelos de atendimento:
Meu 7: Explore as ferramentas de aprendizagem profunda
objetivo: Um mês de aprendizagem realmente divertido! Até agora cobrimos muitos conceitos de visão por computador, agora é o momento de colocar mãos à obra com os frameworks de aprendizagem profunda de última geração! Isto resume-se à escolha, mas recomendamos os dois mais comuns na indústria neste momento: PyTorch e TensorFlow. Tente implementar todos os conceitos que já abordou em qualquer uma destas ferramentas.
Hora sugerida: 6-7 horas por semana
PyTorch:
TensorFlow:
Meu 8 – Compreensão dos conceitos básicos de PLN e legendagem de imagens
objetivo: É aqui que começa a sua especialização. Aqui tem a oportunidade de combinar o seu conhecimento de aprendizagem profunda com os conceitos de processamento de linguagem natural (PNL) para resolver projetos de legendagem de imagens.
Hora sugerida: 6-7 horas por semana
Noções básicas de processamento de linguagem natural (PNL):
- Representações de palavras de Stanford:
- Introdução às redes neuronais recorrentes (RNN):
Compreensão da legendagem de imagens
Projeto: Desafio de legendagem COCO
Meu 9 – Familiarizando-se com Redes Adversárias Generativas (GAN)
objetivo: Em setembro, vai compreender sobre Redes Adversárias Generativas (GAN). As GAN dispararam desde que Ian Goodfellow as apresentou oficialmente 2014. Há muitas aplicações das GAN no mundo real nos dias de hoje, incluindo a pintura, a geração de imagens, etc.
Hora sugerida: 6-7 horas por semana
Compreensão das redes adversariais geradoras (GAN):
- Redes adversariais geradoras (GAN) por Ian Goodfellow:
Meu 10: Introdução à análise de vídeo
objetivo: A análise de vídeo é uma aplicação próspera da visão por computador. A procura por esta competência apenas aumentará em 2020 (e além), portanto, é uma boa ideia ter pelo menos um conhecimento prático de como trabalhar com conjuntos de dados de vídeo.
Hora sugerida: 5-6 horas por semana
Introdução ao analíticaAnalytics refere-se ao processo de coleta, Meça e analise dados para obter insights valiosos que facilitam a tomada de decisões. Em vários campos, como negócio, Saúde e esporte, A análise pode identificar padrões e tendências, Otimize processos e melhore resultados. O uso de ferramentas avançadas e técnicas estatísticas é essencial para transformar dados em conhecimento aplicável e estratégico.... De video:
Meses 11 e 12 – Resolvendo projetos e construindo o seu perfil
objetivo: Os últimos dois meses tratam-se de adquirir experiência prática e participar em múltiplos projetos e concursos. Hasta ahora hemos cubierto proyectos junto con conceptos de aprendizaje; ahora es el momento de dar rienda suelta a su aprendizaje en conjuntos de datos del mundo real.
Hora sugerida: 5-6 horas por semana
Infográficos – Ruta de aprendizaje de visión artificial para 2020
Hacer un seguimiento de su progreso a medida que aprende cosas nuevas es clave para un proceso de aprendizaje estructurado. Me gusta mantener una lista de verificación a medida que aprendo, marcando cosas a medida que profundizo en el dominio. ¿Y qué mejor lista de verificación que una ilustrada con un desglose mes a mes de esta ruta de aprendizaje de visión por computadora? Aqui tens:
