Dans ce module, vous plongerez dans la mise en œuvre pratique des réseaux neuronaux convolutifs pour les tâches de classification d'images. En se concentrant sur un cas d'utilisation de classification de terres agricoles, vous construirez et formerez des modèles CNN en utilisant Keras et PyTorch. Grâce à des travaux pratiques, vous acquerrez de l'expérience dans la construction et l'optimisation de modèles dans chaque cadre. Le module se termine par une analyse comparative des deux approches, vous aidant à comprendre les compromis dans la performance du modèle, l'efficacité de la formation et les considérations de déploiement. À la fin de ce module, vous serez en mesure de choisir le bon cadre pour un problème donné et de justifier vos décisions de conception à l'aide de mesures d'évaluation réelles.

Dans ce module, vous explorerez les transformateurs de vision, une architecture d'apprentissage profond de pointe développée à l'origine pour le traitement du langage naturel et qui transforme désormais le domaine de la vision par ordinateur. Vous apprendrez à appliquer l'apprentissage par transfert aux transformateurs de vision pour des tâches de classification d'images du monde réel. En utilisant les cadres PyTorch et Keras, vous mettrez en œuvre, affinerez et comparerez les modèles transformateurs de vision dans des scénarios pratiques. Grâce à des laboratoires pratiques, vous approfondirez votre compréhension de ces frameworks, évaluerez les performances des modèles et vous préparerez à intégrer des modèles basés sur des transformateurs dans un pipeline complet d'apprentissage profond. Ce module s'appuie sur vos connaissances préalables des réseaux neuronaux convolutifs et vous dote des compétences nécessaires pour utiliser efficacement les transformateurs dans les tâches de reconnaissance visuelle.

Dans ce module, vous réunirez toutes les compétences et les concepts que vous avez appris en travaillant sur un problème réel de Deep learning. Vous effectuerez une évaluation comparative entre les performances du transformateur de vision pour les modèles basés sur Keras et ceux basés sur PyTorch. Cette expérience pratique est conçue pour vous aider à approfondir votre compréhension de l'application de l'apprentissage par transfert, des flux de travail de formation de modèles et vous préparer à la soumission finale. Enfin, nous résumons l'apprentissage du cours et mettons en évidence les principaux enseignements et les prochaines étapes.