בקורס זה נלמד על היסודות של רשתות נוירונים עבור ראייה ממוחשבת. נדבר על הנושאים הבאים:

• סיווג תמונות: גישה מונחית נתונים, K-Nearest Neighbours, סיווג לינארי

• פונקציות לוס ואופטימיזציה: High Level Representations, Stochastic Gradient Descent

• רשתות נוירונים: Backpropagation, Multilayer Perceptrons

• ארכיטקטורות של רשתות נוירונים: פונקציות אקטיבציה.

• רשתות קונבולוציה: קונבולוציות, pooling, רשתות קונבולוציה מחוץ לראייה ממוחשבת

• אימון רשתות נוירונים: אתחולים, רגולריזציה, נרמול, אנסמבלים, למידת העברה, שיטות עדכון, vanishing and exploding gradients, overfitting and underfitting

• ארכיטקטורות של רשתות קונבולוציה: AlexNet, VGG, GoogleNet, ResNet

• רשתות נוירונים רקורסיביות: RNN, LSTM, GRU

• זיהוי אובייקטים: detection and segmentation

• מודלים גנרטיביים: GAN, Variational AutoEncoders

• למידה לא מבוקרת מול למידה מבוקרת.

מומלץ לדעת את החומר של הקורס מבוא ללמידה חישובית (אבל לא חובה).

בקורס זה נלמד על היסודות של רשתות נוירונים עבור ראייה ממוחשבת. נדבר על הנושאים הבאים:

• סיווג תמונות: גישה מונחית נתונים, K-Nearest Neighbours, סיווג לינארי

• פונקציות לוס ואופטימיזציה: High Level Representations, Stochastic Gradient Descent

• רשתות נוירונים: Backpropagation, Multilayer Perceptrons

• ארכיטקטורות של רשתות נוירונים: פונקציות אקטיבציה.

• רשתות קונבולוציה: קונבולוציות, pooling, רשתות קונבולוציה מחוץ לראייה ממוחשבת

• אימון רשתות נוירונים: אתחולים, רגולריזציה, נרמול, אנסמבלים, למידת העברה, שיטות עדכון, vanishing and exploding gradients, overfitting and underfitting

• ארכיטקטורות של רשתות קונבולוציה: AlexNet, VGG, GoogleNet, ResNet

• רשתות נוירונים רקורסיביות: RNN, LSTM, GRU

• זיהוי אובייקטים: detection and segmentation

• מודלים גנרטיביים: GAN, Variational AutoEncoders

• למידה לא מבוקרת מול למידה מבוקרת.