Dans la conférence 13, nous sommes allés au-delà de l’apprentissage supervisé et avons discuté de la modélisation générative comme forme d’apprentissage non supervisé. Nous couvrons les modèles autorégressifs PixelRNN et PixelCNN, les autoencodeurs traditionnels et variationnels (VAE) et les réseaux antagonistes génératifs (GAN). Mots-clés : Modèle génératif, PixelRNN, PixelCNN, Autoencoder, Variational Autoencoder, VAE, Generative Adversarial Network, GAN Slides : ——————— —— ——————————————– —— ——— Réseaux neuronaux convolutifs pour la reconnaissance visuelle Conférencier : Fei-Fei Li : Justin Johnson : Serena Yeung : La vision par ordinateur est partout dans notre société, la recherche, la compréhension des images, les applications, la cartographie, la médecine et d’autres domaines ont applications, drones et voitures autonomes. Au cœur de bon nombre de ces applications se trouvent des tâches de reconnaissance visuelle telles que la classification, la localisation et la détection d’images. Les développements récents des méthodes de réseau de neurones (alias « deep learning ») ont considérablement amélioré les performances de ces systèmes de reconnaissance visuelle de pointe. Cet ensemble de conférences approfondit les détails de l’architecture d’apprentissage en profondeur, en se concentrant sur l’apprentissage de modèles de bout en bout pour ces tâches, en particulier la classification d’images. Grâce à cette collection de conférences, les étudiants apprendront à mettre en œuvre, former et déboguer leurs propres réseaux de neurones, et en apprendre davantage sur la recherche de pointe dans le domaine de la vision par ordinateur. Site Web : Pour plus d’opportunités d’apprentissage, veuillez visiter :