François Chung, Ph.D.

Tag: aprenentatge no supervisat

Aprenentatge profund i TensorFlow

Aprenentatge profund i TensorFlow

Formació Cognitive Class, MOOC (2020). Aquesta ruta d'aprenentatge presenta els conceptes bàsics d'aprenentatge profund i TensorFlow amb experiència pràctica en la resolució de problemes. Durant tota la formació, TensorFlow s'utilitza en l'ajust de corbes, la regressió, la classificació i la minimització de funcions d'error. Després, aquest concepte s'explora en el món de l'aprenentatge profund, on TensorFlow s'aplica per a la propagació cap enrere per ajustar els pesos i els biaixos.

Curs 1: Fonaments de l'aprenentatge profund

Temes principals:

  • Introducció a l'aprenentatge profund;
  • Models d'aprenentatge profund;
  • Models addicionals d'aprenentatge profund;
  • Biblioteques i plataformes d'aprenentatge profund.

Curs 2: Aprenentatge profund amb TensorFlow

Temes principals:

  • Introducció a TensorFlow;
  • CNN - Xarxa neuronal convolucional;
  • RNN - Xarxa neuronal recurrent;
  • Aprenentatge sense supervisió.

Referències

Formació

Deep learning fundamentals (Fonaments de l'aprenentatge profund, certificat del curs)
Deep Learning Essentials (insígnia de certificació)
Deep learning with TensorFlow (Aprenentatge profund amb TensorFlow, certificat del curs)
Deep Learning using TensorFlow (insígnia de certificació)

Articles relacionats

Més informació

Fonaments de Spark

Fonaments de Spark

Formació Cognitive Class, MOOC (2020). Aquesta ruta d'aprenentatge aborda els fonaments d'Apache Spark, un motor de codi obert per al processament de dades a gran escala que està revolucionant el món de l'analítica i del big data. Aquesta formació és una oportunitat per aprendre dels líders de la indústria sobre Spark, que es basa en la velocitat, la facilitat d'ús i l'anàlisi, i brinda oportunitats i projectes pràctics per generar confiança amb el conjunt d'eines de Spark.

Curs 1: Fonaments de Spark I

Temes principals:

  • Introducció a Spark;
  • Resilient Distributed Dataset (RDD) i DataFrames;
  • Programació d'aplicacions Spark;
  • Introducció a les biblioteques de Spark;
  • Configuració, seguiment i posada a punt de Spark.

Curs 2: Fonaments de Spark II

Temes principals:

  • Introducció als notebooks;
  • Arquitectura RDD;
  • Optimització de transformacions i accions;
  • Memòria cau i serialització;
  • Desenvolupament i proves.

Curs 3: Spark MLlib

Temes principals:

  • Tipus de dades Spark MLlib;
  • Revisió d'algoritmes;
  • Arbres de decisió i boscos aleatoris;
  • Agrupament Spark MLlib.

Curs 4: Exploració de GraphX

Temes principals:

  • Introducció a Graph-Parallel;
  • Exploració dels operadors de gràfics;
  • Visualització i modificació de GraphX;
  • Agregació i emmagatzematge en memòria cau.

Curs 5: Big data en R amb Spark

Temes principals:

  • Introducció a SparkR;
  • Manipulació de dades amb SparkR;
  • Aprenentatge automàtic amb SparkR.

Referències

Formació

Spark fundamentals I (Fonaments de Spark I, certificat del curs)
Spark – Level 1 (insígnia de certificació)
Spark fundamentals II (Fonaments de Spark II, certificat del curs)
Spark MLlib (certificat del curs)
Exploring GraphX (Exploració de GraphX, certificat del curs)
Big data in R using Spark (Big data en R amb Spark, certificat del curs)
Spark - Level 2 (insígnia de certificació)

Articles relacionats

Fonaments de Hadoop (formació Cognitive Class)
Especialització en ciència de dades (formació Coursera)

Més informació

Especialització en ciència de dades

Especialització en ciència de dades

Formació Coursera, MOOC (2020). Aquesta especialització cobreix els conceptes i eines necessaris per a la ciència de dades, des de formular les preguntes correctes fins a fer inferències i publicar resultats. Els temes coberts inclouen l'ús de R per netejar, analitzar i visualitzar dades, utilitzar GitHub per administrar projectes de ciència de dades i realitzar anàlisis de regressió, mínims quadrats i inferència utilitzant models de regressió.

Curs 1: Caixa d'eines del científic de dades

Temes principals:

  • Fonaments de la ciència de dades;
  • R i Rstudio;
  • Control de versions i GitHub;
  • R Markdown, pensament científic i big data.

Curs 2: Programació R

Temes principals:

  • Antecedents i posada en marxa;
  • Programació amb R;
  • Funcions de bucle i depuració;
  • Simulació i anàlisi de rendiment de programari.

Curs 3: Obtenció i neteja de dades

Temes principals:

  • Trobar dades i llegir diferents tipus d'arxius;
  • Sistemes d'emmagatzematge de dades;
  • Organitzar, fusionar i gestionar dades;
  • Manipulació de text i dades en R.

Curs 4: Anàlisi exploratòria de dades

Temes principals:

  • Gràfics analítics i representació gràfica en R;
  • Lattice i ggplot2;
  • Reducció de dimensionalitat de dades;
  • Tècniques d'anàlisi de conglomerats.

Curs 5: Investigació reproduïble

Temes principals:

  • Conceptes, idees i estructura;
  • Markdown i knitr;
  • Llista de comprovació de la investigació reproduïble;
  • Anàlisi de dades basades en evidències.

Curs 6: Inferència estadística

Temes principals:

  • Probabilitat i valors esperats;
  • Variabilitat, distribució i asímptota;
  • Intervals, proves i valor p;
  • Proves de potència, bootstrapping i permutació.

Curs 7: Models de regressió

Temes principals:

  • Mínims quadrats i regressió lineal;
  • Regressió lineal i multivariant;
  • Residus i diagnòstics;
  • Regressió logística i de Poisson.

Curs 8: Aprenentatge automàtic

Temes principals:

  • Predicció, errors i validació creuada;
  • Paquet caret;
  • Arbres de decisió i boscos aleatoris;
  • Regressió regularitzada i predictors combinats.

Curs 9: Desenvolupament de productes de dades

Temes principals:

  • Shiny, GoogleVis i Plotly;
  • R Markdown i Leaflet;
  • Paquets R i Swirl.

Referències

Articles relacionats

Conferència ODSC APAC 2023 (conferència ODSC)
Fonaments de Spark (formació Cognitive Class)
Fonaments de Hadoop (formació Cognitive Class)
AWS: fonaments i aprenentatge automàtic (formació AWS)

Més informació

CVIU 2013 - Article de revista científica

CVIU 2013 – Article de revista científica

Publicació

François Chung, Hervé Delingette; Regional appearance modeling based on the clustering of intensity profiles; In: Computer Vision and Image Understanding (CVIU), 117 (6), pp. 705-717, 2013.

Abstract

Model-based image segmentation is a popular approach for the segmentation of anatomical structures from medical images because it includes prior knowledge about the shape and appearance of structures of interest. This paper focuses on the formulation of a novel appearance prior that can cope with large variability between subjects, for instance due to the presence of pathologies. Instead of relying on Principal Component Analysis (PCA) such as in Statistical Appearance Models (SAMs), our approach relies on a multimodal intensity profile atlas from which a point may be assigned to several profile modes consisting of a mean profile and its covariance matrix. These profile modes are first estimated without any intra-subject registration through a boosted Expectation-Maximization (EM) classification based on spectral clustering. Then, they are projected on a reference mesh whose role is to store the appearance information in a common geometric representation. We show that this prior leads to better performance than the classical monomodal PCA approach while relying on fewer profile modes.

Paraules clau

  • appearance modeling
  • medical imaging
  • model-based image segmentation
  • unsupervised clustering

Referències

Publicació

Articles relacionats

3D Anatomical Human (projecte INRIA)
Ph.D. Thesis 2011 (tesi doctoral)

LAP 2011 - Llibre

LAP 2011 – Llibre

Publicació

François Chung; Regional appearance modeling for model-based image segmentation: Methodological approaches to improve the accuracy of model-based image segmentation; Lambert Academic Publishing (LAP), Saarbrücken, 2011; ISBN: 978-3844322095.

Abstract

This thesis presents a novel appearance prior for model-based image segmentation. This appearance prior, denoted as Multimodal Prior Appearance Model (MPAM), is built upon an Expectation–Maximization (EM) clustering of intensity profiles with model order selection to automatically select the number of profile classes. Unlike classical approaches based on Principal Component Analysis (PCA), the clustering is considered as regional because intensity profiles are classified for each mesh and not for each vertex. Comparative results on liver profiles from Computed Tomography (CT) images show that MPAM outperforms PCA-based appearance models. Finally, methods for the analysis of lower limb structures from Magnetic Resonance (MR) images are presented. A first part deals with the creation of subject-specific models for kinematic simulations of the lower limbs. In a second part, the performance of statistical models is compared in the context of lower limb bone segmentation when only a small number of datasets is available for training.

Referències

Publicació

Llibre (Amazon)
Llibre (MoreBooks)
Referència bibliogràfica (BibTeX)

Articles relacionats

3D Anatomical Human (projecte INRIA)
Ph.D. Thesis 2011 (tesi doctoral)

Més informació

LAP – Lambert Academic Publishing