Präsentation

Kombinieren Sie Ihre persönlichen und beruflichen Verpflichtungen mit Ihrem Studium dank dieses Universitätskurses. 100% flexibel und online"

Deep Computer Vision mit Convolutional Neural Networks ist dank seiner Fähigkeit, Bilder und Videos mit hoher Effizienz und Genauigkeit zu verarbeiten, zu einer der am häufigsten verwendeten Techniken in der modernen Technik geworden. In diesem Sinne sind Convolutional Neural Networks in der Lage, komplexe Merkmale aus Bildern zu extrahieren und Muster in ihnen zu erlernen, was sie zu einem unverzichtbaren Werkzeug für die Objekterkennung, die Objekterkennung in Echtzeit und die Verfolgung von sich bewegenden Objekten in einer Vielzahl von Bereichen macht, von der Medizin über die Sicherheit bis hin zur industriellen Automatisierung.

Um die wachsende Nachfrage nach hochqualifizierten Fachkräften in diesem Bereich zu befriedigen, hat TECH ein Programm entwickelt, das den Studenten eine umfassende Fortbildung in den neuesten Techniken und Werkzeugen der Bild- und Videoverarbeitung mit Convolutional Neural Networks, einschließlich TensorFlow und Keras, bietet.

TECH hat ein komplettes Programm entwickelt, das auf ihrer einzigartigen Relearning-Methode basiert, um das Lernen der Studenten zu verbessern. Ein Lehrprozess, der so gestaltet ist, dass der Student die grundlegenden Konzepte auf progressive und natürliche Weise durch Wiederholung verinnerlicht. Auf diese Weise erwirbt der Student die erforderlichen Fertigkeiten anhand seines eigenen Rythmuses.

Zudem wurde der Studiengang vollständig online konzipiert, so dass sich die Berufstätigen ausschließlich auf das Lernen konzentrieren können, ohne dass sie reisen oder sich an einen festen Zeitplan halten müssen. Außerdem können die Studenten jederzeit und von überall auf die theoretischen und praktischen Inhalte zugreifen, sofern sie über ein Gerät mit Internetanschluss verfügen.

Spezialisieren Sie sich in einem aufstrebenden Sektor und zeichnen Sie sich durch eine breite Palette von Anwendungen aus, wie z.B. Computer Vision, Verarbeitung natürlicher Sprache, Robotik und Spracherkennung"

Dieser Universitätskurs in Deep Computer Vision mit Convolutional Neural Networks enthält das vollständigste und aktuellste Programm auf dem Markt. Die hervorstechendsten Merkmale sind: 

  • Die Entwicklung von Fallstudien, die von Experten in Deep Learning präsentiert werden
  • Der anschauliche, schematische und äußerst praxisnahe Inhalt vermittelt präzise und praktische Informationen zu den Disziplinen, die für die berufliche Praxis unerlässlich sind
  • Praktische Übungen, bei denen der Selbstbewertungsprozess zur Verbesserung des Lernens genutzt werden kann
  • Sein besonderer Schwerpunkt liegt auf innovativen Methoden
  • Theoretische Vorträge, Fragen an den Experten, Diskussionsforen zu kontroversen Themen und individuelle Reflexionsarbeit
  • Die Verfügbarkeit des Zugangs zu Inhalten von jedem festen oder tragbaren Gerät mit Internetanschluss

Mit der Relearning-Methode eignen Sie sich das Wissen schrittweise und mit völliger Flexibilität an. Ein Programm, das sich an Sie anpasst"

Das Dozententeam des Programms besteht aus Fachleuten aus der Branche, die ihre Erfahrungen aus ihrer Arbeit in diese Fortbildung einbringen, sowie aus anerkannten Spezialisten von führenden Gesellschaften und renommierten Universitäten.

Die multimedialen Inhalte, die mit der neuesten Bildungstechnologie entwickelt wurden, werden der Fachkraft ein situiertes und kontextbezogenes Lernen ermöglichen, d. h. eine simulierte Umgebung, die eine immersive Fortbildung bietet, die auf die Ausführung von realen Situationen ausgerichtet ist.

Das Konzept dieses Programms konzentriert sich auf problemorientiertes Lernen, bei dem die Fachkraft versuchen muss, die verschiedenen Situationen aus der beruflichen Praxis zu lösen, die während des gesamten Studiengangs gestellt werden. Zu diesem Zweck wird sie von einem innovativen interaktiven Videosystem unterstützt, das von renommierten Experten entwickelt wurde.

Lernen Sie in dieser exklusiven Qualifizierung, wie man in Deep Computer Vision klassifiziert, lokalisiert und effektive CNN-Architekturen mit Keras entwickelt"

Sie erhalten Zugang zum aktuellsten Wissen über Deep Computer Vision und vertiefen sich in diesen wichtigen Zweig der künstlichen Intelligenz mit einer effektiven Methodik und in einem 100%igen Online-Format"

Plan de estudios

El diseño del plan de estudios de este programa ha corrido a cargo de un equipo de versados en el área de la Ingeniería, más concretamente en Deep Computer Vision. Gracias a ello, TECH ha conformado un programa exhaustivo e intensivo que recoge la información necesaria para dominar esta disciplina en 6 semanas de capacitación. Y es que, además de su completísimo temario, han seleccionado horas de materiales adicionales diversos, con los que el egresado podrá trabajar de manera personalizada en función a su grado de exigencia. Todo ello presentado en un cómodo y flexible formato 100% online compatible con cualquier dispositivo con conexión a internet.

Matricúlate y accede ahora a un plan de estudios diseñado por expertos y con contenido de alta calidad para que logres alcanzar un aprendizaje exitoso”

Módulo 1. Deep Computer Vision con Redes Neuronales Convolucionales

1.1. La Arquitectura Visual Cortex

1.1.1. Funciones de la corteza visual
1.1.2. Teorías de la visión computacional
1.1.3. Modelos de procesamiento de imágenes

1.2. Capas convolucionales

1.2.1. Reutilización de pesos en la convolución
1.2.2. Convolución 2D
1.2.3. Funciones de activación

1.3. Capas de agrupación e implementación de capas de agrupación con Keras

1.3.1. Pooling y Striding
1.3.2. Flattening
1.3.3. Tipos de Pooling

1.4. Arquitecturas CNN

1.4.1. Arquitectura VGG
1.4.2. Arquitectura AlexNet
1.4.3. Arquitectura ResNet

1.5. Implementación de una CNN ResNet-34 usando Keras

1.5.1. Inicialización de pesos
1.5.2. Definición de la capa de entrada
1.5.3. Definición de la salida

1.6. Uso de modelos preentrenados de Keras

1.6.1. Características de los modelos preentrenados
1.6.2. Usos de los modelos preentrenados
1.6.3. Ventajas de los modelos preentrenados

1.7. Modelos preentrenados para el aprendizaje por transferencia

1.7.1. El Aprendizaje por transferencia
1.7.2. Proceso de aprendizaje por transferencia
1.7.3. Ventajas del aprendizaje por transferencia

1.8. Clasificación y Localización en Deep Computer Vision

1.8.1. Clasificación de imágenes
1.8.2. Localización de objetos en imágenes
1.8.3. Detección de objetos

1.9. Detección de objetos y seguimiento de objetos

1.9.1. Métodos de detección de objetos
1.9.2. Algoritmos de seguimiento de objetos
1.9.3. Técnicas de rastreo y localización

1.10. Segmentación semántica

1.10.1. Aprendizaje profundo para segmentación semántica
1.10.2. Detección de bordes
1.10.3. Métodos de segmentación basados en reglas

Un plan de estudios académico creado por expertos con el propósito de brindarte conocimientos sólidos en Deep Computer Vision mit Convolutional Neural Networks”

Universitätskurs in Deep Computer Vision mit Convolutional Neural Networks

Die Fähigkeit von Computern, Bilder zu interpretieren und zu analysieren, hat die Art und Weise, wie Informationen verarbeitet werden, revolutioniert. Dies hat zu einem großen Interesse an der Aneignung von Fähigkeiten und Kenntnissen im Bereich Computer Vision geführt, insbesondere an der Verwendung von Convolutional Neural Networks. An der TECH Technologischen Universität haben wir einen Universitätskurs entwickelt, der den Teilnehmern das notwendige Wissen vermittelt, um diese Techniken in verschiedenen Bereichen wie Medizin, Robotik und Gesichtserkennung anzuwenden. In dem Kurs lernen Sie die Funktionsweise und Anwendung von Convolutional Neural Networks kennen, von der Merkmalsextraktion bis zum Modelltraining.

Die Fähigkeit der Computer Vision Technologie, bestimmte Muster und Merkmale in Bildern zu erkennen, ist entscheidend für eine breite Palette von Anwendungen. In unserem Universitätskurs in Deep Computer Vision mit Convolutional Neural Networks lernen Sie, wie Sie effektive Lösungen für komplexe Probleme in Bereichen wie der Objekterkennung in Echtzeit, der Bildsegmentierung und der Klassifizierung medizinischer Bilder entwickeln können. Außerdem erhalten Sie die Werkzeuge für die Implementierung von Algorithmen für faltungsneuronale Netze in Programmiersprachen wie Python und Tensorflow, die in der Industrie weit verbreitet sind.