We may earn an affiliate commission when you visit our partners.
Claude Coulombe
and
Isabelle Cayer
Bienvenue au cours VIARENA, «Vision artificielle et exploitation intelligente des ressources naturelles». La vision artificielle est l'art et la science de rendre les ordinateurs capables d'interpréter intelligemment des images. Il existe une multitude d'applications de la vision artificielle réalisables dans nos entreprises, particulièrement les PME et nos communautés.
Read more
Bienvenue au cours VIARENA, «Vision artificielle et exploitation intelligente des ressources naturelles». La vision artificielle est l'art et la science de rendre les ordinateurs capables d'interpréter intelligemment des images. Il existe une multitude d'applications de la vision artificielle réalisables dans nos entreprises, particulièrement les PME et nos communautés.
Read more
Bienvenue au cours VIARENA, «Vision artificielle et exploitation intelligente des ressources naturelles». La vision artificielle est l'art et la science de rendre les ordinateurs capables d'interpréter intelligemment des images. Il existe une multitude d'applications de la vision artificielle réalisables dans nos entreprises, particulièrement les PME et nos communautés.
La vision artificielle est particulièrement accessible et facile à mettre en oeuvre. Malheureusement, c'est un secret trop bien gardé de l'intelligence artificielle. En effet, les données sont abondantes et faciles à récolter, les logiciels sont offerts en logiciel libre, il existe de gros modèles préentraînés et l'infonuagique démocratise l'accès aux infrastructures de calcul.
Ce cours pratique fait le pari que vous pourrez appliquer la vision artificielle à une foule de problèmes sans en maîtriser les détails mathématiques. VIARENA propose une approche pratique basée sur le code pour vous aider à gagner en confiance pendant que vous apprenez des concepts clés.
Le cours VIARENA utilise le langage de programmation Python qui possède le plus riche écosystème en IA. Une trentaine de courts laboratoires, sous la forme de carnets IPython interactifs, utilisent la bibliothèque Keras de Google, une interface de programmation d'applications de haut niveau qui démocratise l'apprentissage profond.
Les informaticiens apprécieront les laboratoires avec Google Colab qui leur permettront de travailler directement avec le code sans avoir à installer de logiciels. Toutefois, ce ne sont pas des exercices de programmation, tout le code est là et fonctionnel. Les exercices portent plutôt sur l'appropriation et la compréhension du code.
Identifiez une niche commerciale en survolant une foule d'applications pratiques. VIARENA montre un grand nombre d'exemples et d'applications pour illustrer les possibilités et stimuler votre créativité. Des applications comme la surveillance d'un troupeau, la récolte robotisée, l'inspection visuelle ou sonore d'éoliennes, le diagnostic d'une maladie de plante, le tri automatique de matières résiduelles, l'identification de minéraux, l'inventaire forestier, la prédiction de sécheresse, le comptage de poissons, etc.
Récoltez des données avec un drone. Entraînez des réseaux de neurones profonds. Déployez une application sur un téléphone intelligent ou un site Web.
L'objectif de VIARENA est: « Faire que l'IA soit aussi québécoise que le sirop d'érable et la motoneige. »
Register for this course and see more details by visiting:
OpenCourser.com/course/7liig4/vision
What's inside
Learning objectives
- Le cours viarena a été conçu pour deux clientèles principales qui correspondent à deux parcours pédagogiques:
- Profil « coureur des bois » - les entrepreneurs, dirigeants et visionnaires pour les aider à identifier les opportunités et à comprendre les applications potentielles de la vision artificielle.
- Profil « patenteux » - les praticiens, informaticiens, programmeurs, codeurs, ingénieurs, techniciens, scientifiques et développeurs de logiciels qui désirent s'initier d'une façon pratique à la vision par ordinateur. pour eux, les laboratoires exigent la connaissance d'un langage de programmation et si possible de python
- Objectifs finaux du cours
- Coureur des bois :
- - faire des liens entre les connaissances acquises en vision artificielle et des applications dans la vie réelle.
- Patenteux:.
- - réaliser une application en vision artificielle depuis l'acquisition et le prétraitement des images, en passant par la création, l'entraînement et l'évaluation d'un réseau convolutif, puis finalement son déploiement sur la toile ou sous la forme d'une application mobile.
- Objectifs du module 1
- Coureur des bois & patenteux:
- - comprendre « intuitivement » la science des données, et l’apprentissage automatique.
- - comprendre que la vision artificielle est accessible et prête à l'emploi;
- - comprendre l'importance des données;
- - énumérer quelques applications de la vision artificielle;
- - connaître certaines limites de l'ia.
- - connaître les éléments-clés d'une stratégie pour bien débuter en ia.
- Patenteux:
- - distinguer et définir intelligence artificielle et science des données.
- Objectifs du module 2
- Ce module a pour objectif la mise à jour de vos connaissances par un survol de la science des données et de l'apprentissage automatique. si vous êtes déjà familier de ces sujets, nous vous invitons à passer directement au module suivant.
- - comprendre comment les ordinateurs peuvent apprendre à partir de données;
- - saisir l’importance des données, de leur acquisition et de leur prétraitement.
- - lire, manipuler, visualiser, calculer des statistiques, analyser des relations dans un jeu de données;
- - déterminer la classe-cible et les prédicteurs, séparer les données d'entraînement et de test, choisir un algorithme d’apprentissage classique, entraîner et évaluer un modèle.
- Objectifs du module 3
- Coureur des bois:
- - comprendre « intuitivement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones et l'apprentissage profond.
- - comprendre « pratiquement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones, et l'apprentissage profond;
- - appliquer le perceptron multicouche à la reconnaissance visuelle de chiffre manuscrits et d'objets simples.
- Objectifs du module 4
- - saisir le potentiel et énumérer quelques applications de la vision artificielle en agriculture.
- - comprendre « intuitivement » le fonctionnement d'un réseau convolutif.
- - comprendre « pratiquement » le fonctionnement d'un réseau convolutif;
- - appliquer un réseau convolutif à la reconnaissance et à la classification d'images de chiffres manuscrits et d'objets simples.
- Objectifs du module 5
- - connaître différentes sources de données et leurs méthodes d’acquisition;
- - connaître l’utilisation des caméras, lidar, des capteurs et des objets connectés;
- - comprendre l’intérêt des images satellitaires et recueillies par des drones;
- - savoir que la source essentielle des biais est dans les données;
- - connaître différentes sources de données synthétiques;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle dans les pêches et l’aquaculture.
- - comprendre qu'avoir des quantités d'images de qualité est au coeur des applications de la vision artificielle;
- - saisir le défi de l’annotation des images.
- - comprendre que les données doivent être de qualité et en quantité suffisante;
- - comprendre les rudiments du fonctionnement des caméras, des lidar, des capteurs et objets connectés;
- - moissonner des données sur la toile;
- - connaître les principales fonctions d’un drone;
- - s'initier au traitement d’images satellitaires;
- - s'initier au traitement des sons;
- - annoter des images.
- Objectifs du module 6
- - comprendre le défi du « mur des données massives »;
- - connaître des moyens de franchir le « mur des données massives »;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle en foresterie.
- - connaître les principes et les avantages de l’apprentissage par transfert et de l’amplification de données.
- - appliquer l’apprentissage par transfert et l’amplification de données à la reconnaissance d’images.
- Objectifs du module 7
- - comprendre les différents choix techniques pour le déploiement d’une application en vision artificielle;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle en environnement et faune.
- - comprendre la stratégie de la traversée du gouffre;
- - connaître les grands principes de la gestion de projet d’innovation;
- - saisir l’importance de la créativité;
- - déployer une application en vision artificielle sur la toile;
- - réaliser une application mobile en vision artificielle.
- Objectifs du module 8
- - être conscient de la surenchère et de l’effet de mode;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle dans l’énergie et les mines.
- - connaître quelques ressources utiles pour aller plus loin dans son projet d'affaires.
- - se familiariser avec la détection d’objets;
- - connaître quelques bonnes suggestions de livres et de cours pratiques.
- Le cours viarena a été conçu pour deux clientèles principales qui correspondent à deux parcours pédagogiques:
- Profil « coureur des bois » - les entrepreneurs, dirigeants et visionnaires pour les aider à identifier les opportunités et à comprendre les applications potentielles de la vision artificielle.
- Profil « patenteux » - les praticiens, informaticiens, programmeurs, codeurs, ingénieurs, techniciens, scientifiques et développeurs de logiciels qui désirent s'initier d'une façon pratique à la vision par ordinateur. pour eux, les laboratoires exigent la connaissance d'un langage de programmation et si possible de python
- Objectifs finaux du cours
- Coureur des bois :
- - faire des liens entre les connaissances acquises en vision artificielle et des applications dans la vie réelle.
- Patenteux:.
- - réaliser une application en vision artificielle depuis l'acquisition et le prétraitement des images, en passant par la création, l'entraînement et l'évaluation d'un réseau convolutif, puis finalement son déploiement sur la toile ou sous la forme d'une application mobile.
- Objectifs du module 1
- Coureur des bois & patenteux:
- - comprendre « intuitivement » la science des données, et l’apprentissage automatique.
- - comprendre que la vision artificielle est accessible et prête à l'emploi;
- - comprendre l'importance des données;
- - énumérer quelques applications de la vision artificielle;
- - connaître certaines limites de l'ia.
- - connaître les éléments-clés d'une stratégie pour bien débuter en ia.
- Patenteux:
- - distinguer et définir intelligence artificielle et science des données.
- Objectifs du module 2
- Ce module a pour objectif la mise à jour de vos connaissances par un survol de la science des données et de l'apprentissage automatique. si vous êtes déjà familier de ces sujets, nous vous invitons à passer directement au module suivant.
- - comprendre comment les ordinateurs peuvent apprendre à partir de données;
- - saisir l’importance des données, de leur acquisition et de leur prétraitement.
- - lire, manipuler, visualiser, calculer des statistiques, analyser des relations dans un jeu de données;
- - déterminer la classe-cible et les prédicteurs, séparer les données d'entraînement et de test, choisir un algorithme d’apprentissage classique, entraîner et évaluer un modèle.
- Objectifs du module 3
- Coureur des bois:
- - comprendre « intuitivement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones et l'apprentissage profond.
- - comprendre « pratiquement » le fonctionnement d'un neurone, l'apprentissage d'un perceptron, l'apprentissage d'un réseau de neurones, et l'apprentissage profond;
- - appliquer le perceptron multicouche à la reconnaissance visuelle de chiffre manuscrits et d'objets simples.
- Objectifs du module 4
- - saisir le potentiel et énumérer quelques applications de la vision artificielle en agriculture.
- - comprendre « intuitivement » le fonctionnement d'un réseau convolutif.
- - comprendre « pratiquement » le fonctionnement d'un réseau convolutif;
- - appliquer un réseau convolutif à la reconnaissance et à la classification d'images de chiffres manuscrits et d'objets simples.
- Objectifs du module 5
- - connaître différentes sources de données et leurs méthodes d’acquisition;
- - connaître l’utilisation des caméras, lidar, des capteurs et des objets connectés;
- - comprendre l’intérêt des images satellitaires et recueillies par des drones;
- - savoir que la source essentielle des biais est dans les données;
- - connaître différentes sources de données synthétiques;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle dans les pêches et l’aquaculture.
- - comprendre qu'avoir des quantités d'images de qualité est au coeur des applications de la vision artificielle;
- - saisir le défi de l’annotation des images.
- - comprendre que les données doivent être de qualité et en quantité suffisante;
- - comprendre les rudiments du fonctionnement des caméras, des lidar, des capteurs et objets connectés;
- - moissonner des données sur la toile;
- - connaître les principales fonctions d’un drone;
- - s'initier au traitement d’images satellitaires;
- - s'initier au traitement des sons;
- - annoter des images.
- Objectifs du module 6
- - comprendre le défi du « mur des données massives »;
- - connaître des moyens de franchir le « mur des données massives »;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle en foresterie.
- - connaître les principes et les avantages de l’apprentissage par transfert et de l’amplification de données.
- - appliquer l’apprentissage par transfert et l’amplification de données à la reconnaissance d’images.
- Objectifs du module 7
- - comprendre les différents choix techniques pour le déploiement d’une application en vision artificielle;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle en environnement et faune.
- - comprendre la stratégie de la traversée du gouffre;
- - connaître les grands principes de la gestion de projet d’innovation;
- - saisir l’importance de la créativité;
- - déployer une application en vision artificielle sur la toile;
- - réaliser une application mobile en vision artificielle.
- Objectifs du module 8
- - être conscient de la surenchère et de l’effet de mode;
- - saisir le potentiel et énumérer quelques applications de la vision artificielle dans l’énergie et les mines.
- - connaître quelques ressources utiles pour aller plus loin dans son projet d'affaires.
- - se familiariser avec la détection d’objets;
- - connaître quelques bonnes suggestions de livres et de cours pratiques.
Syllabus
Semaine 1
Module 1 - Introduction
Introduction à l'IA
Vision artificielle
Read more
Syllabus
Semaine 1
Module 1 - Introduction
Introduction à l'IA
Vision artificielle
Read more
Traffic lights
Traffic lights
Read about what's good
what should give you pause and
possible dealbreakers
Développe des compétences recherchées dans le secteur de l'intelligence artificielle et du machine learning
Est accessible aux entrepreneurs et dirigeants sans connaissance en IA grâce à une approche pratique
Présente de nombreux exemples d'applications dans divers secteurs, stimulant la créativité
Utilise le langage Python, largement utilisé en IA
Accompagne les participants dans le déploiement d'applications d'IA
Nécessite des connaissances en programmation pour certains exercices
Save this course
Create your own learning path.
Save this course to your list so you can find it easily later.
Save
Save
Reviews summary
Vision artificielle pratique pour ressources naturelles
Selon les apprenants, ce cours offre une approche très pratique et axée sur le code pour la vision artificielle, particulièrement adaptée aux applications dans les ressources naturelles. Il est conçu pour être accessible, même sans maîtrise des détails mathématiques complexes, ce qui en fait un excellent point de départ pour les entrepreneurs et les praticiens. Les étudiants apprécient les nombreux laboratoires interactifs qui permettent une appropriation rapide des concepts clés. Le cours couvre le cycle complet du développement d'applications, de la collecte de données au déploiement. Cependant, son approche "code fourni" pourrait limiter l'apprentissage de la programmation pure, et sa profondeur théorique est limitée pour les experts.
Conçu pour être accessible sans forte base en mathématiques.
"En tant qu'entrepreneur, j'ai trouvé le cours parfait pour identifier les opportunités d'IA sans être submergé par les équations."
"Le pari de rendre l'IA appliquée sans les détails mathématiques est une réussite; j'ai pu gagner en confiance rapidement."
"Je recommande ce cours à ceux qui veulent une vue d'ensemble pratique et comment l'IA peut être utilisée dans l'industrie."
L'accent est mis sur l'application avec de nombreux laboratoires.
"J'ai vraiment apprécié la quantité de laboratoires qui rendent les concepts concrets et faciles à mettre en œuvre."
"Le format des carnets IPython avec le code déjà fonctionnel m'a permis de me concentrer sur la compréhension plutôt que sur le débogage."
"La section sur le déploiement d'applications mobiles et web est extrêmement utile pour voir le projet de A à Z."
Ne plonge pas dans les détails mathématiques profonds.
"Bien que le côté pratique soit excellent, j'aurais aimé un peu plus de profondeur sur les fondements mathématiques pour vraiment comprendre pourquoi les modèles fonctionnent."
"Le fait que le code soit fourni et non à écrire peut être limitant pour les programmeurs qui cherchent à améliorer leurs compétences de codage en IA."
"Ce cours est un excellent survol, mais pour une expertise avancée, des études complémentaires en théorie des réseaux neuronaux sont nécessaires."
Activities
Be better prepared
before
your course. Deepen your understanding
during
and
after
it. Supplement your coursework and achieve mastery of the topics covered
in Vision artificielle et exploitation intelligente des ressources naturelles with these
activities:
Brush up on linear algebra and calculus
Show steps
Revisit fundamental concepts in linear algebra and calculus, which are crucial for understanding computer vision algorithms.
Browse courses on
Linear Algebra
Show steps
-
Review textbooks or online resources.
-
Practice solving problems and exercises.
Review concepts of object recognition
Show steps
Recall concepts and terms learned in previous computer vision courses to prepare for this object recognition course.
Browse courses on
Object Recognition
Show steps
-
Review notes or textbooks from previous computer vision courses.
-
Brush up on linear algebra and calculus concepts.
-
Explore online resources or articles on object recognition basics.
Follow Tutorials
Show steps
Supplement your class learning by following online tutorials and resources.
Browse courses on
TensorFlow
Show steps
-
Find tutorials that cover the topics discussed in class
-
Follow the step-by-step instructions
-
Experiment with the code and modify it
11 other activities
Expand to see all activities and additional details
Show all 14 activities
Review Machine Learning
Show steps
Refresh previous knowledge of machine learning techniques to better equip yourself for this course.
Browse courses on
Machine Learning
Show steps
-
Review lecture notes and assignments from previous coursework
-
Complete practice problems and exercises
Complete beginner tutorials on Python libraries
Show steps
Build a strong foundation in Python libraries to enhance understanding of computer vision concepts.
Browse courses on
Python
Show steps
-
Follow online tutorials on using libraries like NumPy, Pandas, and OpenCV.
-
Practice implementing basic image processing tasks using these libraries.
Attend Industry Events
Show steps
Connect with professionals in the field by attending networking events and meetups.
Show steps
-
Identify relevant industry events and meetups
-
Attend the events and actively participate in discussions
-
Exchange ideas and learn from others' experiences
Solve coding challenges on LeetCode or HackerRank
Show steps
Sharpen programming skills by solving coding challenges related to Python, algorithms, and data structures, which are essential for computer vision.
Browse courses on
Python
Show steps
-
Choose a platform like LeetCode or HackerRank.
-
Solve coding problems focused on topics like arrays, strings, and sorting.
Write Code
Show steps
Apply new machine learning concepts introduced in class by completing practice drills to reinforce and deepen understanding.
Browse courses on
Python
Show steps
-
Work on the course's problem sets
-
Participate in online coding challenges
-
Build and train basic machine learning models
-
Download and utilize pre-trained models to solidify your skills
Participate in study groups or forums
Show steps
Engage with peers to discuss course concepts, exchange ideas, and clarify understanding.
Show steps
-
Join online forums or study groups related to the course.
-
Actively participate in discussions, ask questions, and share insights.
Build a Machine Learning Project
Show steps
Apply your knowledge by building and deploying a machine learning project from scratch. This will provide you with hands-on experience and a deeper understanding of the concepts.
Browse courses on
Machine Learning
Show steps
-
Identify a problem or opportunity where ML can be applied
-
Gather and prepare the necessary data
-
Choose and implement suitable ML models
-
Evaluate and fine-tune the models
-
Deploy the model and monitor its performance
Build a simple image classification project
Show steps
Apply concepts learned in the course to a practical project, reinforcing understanding and enhancing practical skills.
Browse courses on
Image Classification
Show steps
-
Gather a dataset of images for a specific category.
-
Preprocess the images and extract features.
-
Train a simple machine learning model for image classification.
-
Evaluate the performance of the model and make improvements.
Explain Concepts
Show steps
Reinforce your learning by teaching the concepts to someone else, recording your explanations, or creating documentation.
Show steps
-
Create a study guide or concept map
-
Record videos explaining the key concepts
-
Write blog posts or articles about the topics
-
Design and deliver a presentation
Create a presentation on the latest research in object detection
Show steps
Showcase understanding and stay updated on advancements in object detection by researching and presenting on the latest developments.
Browse courses on
Object Detection
Show steps
-
Review recent academic papers and articles on object detection.
-
Extract key findings and insights from the research.
-
Organize and structure the information into a clear and concise presentation.
Contribute to open-source computer vision projects
Show steps
Gain practical experience and contribute to the computer vision community by participating in open-source projects.
Browse courses on
Open Source
Show steps
-
Identify open-source computer vision projects that align with interests.
-
Review the project's documentation and codebase.
-
Make contributions to the project, such as bug fixes, feature enhancements, or documentation improvements.
Brush up on linear algebra and calculus
Show steps
Revisit fundamental concepts in linear algebra and calculus, which are crucial for understanding computer vision algorithms.
Browse courses on
Linear Algebra
Show steps
Show steps
Show steps
- Review textbooks or online resources.
- Practice solving problems and exercises.
Review concepts of object recognition
Show steps
Recall concepts and terms learned in previous computer vision courses to prepare for this object recognition course.
Browse courses on
Object Recognition
Show steps
Show steps
Show steps
- Review notes or textbooks from previous computer vision courses.
- Brush up on linear algebra and calculus concepts.
- Explore online resources or articles on object recognition basics.
Follow Tutorials
Show steps
Supplement your class learning by following online tutorials and resources.
Browse courses on
TensorFlow
Show steps
Show steps
Show steps
- Find tutorials that cover the topics discussed in class
- Follow the step-by-step instructions
- Experiment with the code and modify it
11 other activities
Expand to see all activities and additional details
Show all 14 activities
Review Machine Learning
Show steps
Refresh previous knowledge of machine learning techniques to better equip yourself for this course.
Browse courses on
Machine Learning
Show steps
Show steps
Show steps
- Review lecture notes and assignments from previous coursework
- Complete practice problems and exercises
Complete beginner tutorials on Python libraries
Show steps
Build a strong foundation in Python libraries to enhance understanding of computer vision concepts.
Browse courses on
Python
Show steps
Show steps
Show steps
- Follow online tutorials on using libraries like NumPy, Pandas, and OpenCV.
- Practice implementing basic image processing tasks using these libraries.
Attend Industry Events
Show steps
Connect with professionals in the field by attending networking events and meetups.
Show steps
Show steps
Show steps
- Identify relevant industry events and meetups
- Attend the events and actively participate in discussions
- Exchange ideas and learn from others' experiences
Solve coding challenges on LeetCode or HackerRank
Show steps
Sharpen programming skills by solving coding challenges related to Python, algorithms, and data structures, which are essential for computer vision.
Browse courses on
Python
Show steps
Show steps
Show steps
- Choose a platform like LeetCode or HackerRank.
- Solve coding problems focused on topics like arrays, strings, and sorting.
Write Code
Show steps
Apply new machine learning concepts introduced in class by completing practice drills to reinforce and deepen understanding.
Browse courses on
Python
Show steps
Show steps
Show steps
- Work on the course's problem sets
- Participate in online coding challenges
- Build and train basic machine learning models
- Download and utilize pre-trained models to solidify your skills
Participate in study groups or forums
Show steps
Engage with peers to discuss course concepts, exchange ideas, and clarify understanding.
Show steps
Show steps
Show steps
- Join online forums or study groups related to the course.
- Actively participate in discussions, ask questions, and share insights.
Build a Machine Learning Project
Show steps
Apply your knowledge by building and deploying a machine learning project from scratch. This will provide you with hands-on experience and a deeper understanding of the concepts.
Browse courses on
Machine Learning
Show steps
Show steps
Show steps
- Identify a problem or opportunity where ML can be applied
- Gather and prepare the necessary data
- Choose and implement suitable ML models
- Evaluate and fine-tune the models
- Deploy the model and monitor its performance
Build a simple image classification project
Show steps
Apply concepts learned in the course to a practical project, reinforcing understanding and enhancing practical skills.
Browse courses on
Image Classification
Show steps
Show steps
Show steps
- Gather a dataset of images for a specific category.
- Preprocess the images and extract features.
- Train a simple machine learning model for image classification.
- Evaluate the performance of the model and make improvements.
Explain Concepts
Show steps
Reinforce your learning by teaching the concepts to someone else, recording your explanations, or creating documentation.
Show steps
Show steps
Show steps
- Create a study guide or concept map
- Record videos explaining the key concepts
- Write blog posts or articles about the topics
- Design and deliver a presentation
Create a presentation on the latest research in object detection
Show steps
Showcase understanding and stay updated on advancements in object detection by researching and presenting on the latest developments.
Browse courses on
Object Detection
Show steps
Show steps
Show steps
- Review recent academic papers and articles on object detection.
- Extract key findings and insights from the research.
- Organize and structure the information into a clear and concise presentation.
Contribute to open-source computer vision projects
Show steps
Gain practical experience and contribute to the computer vision community by participating in open-source projects.
Browse courses on
Open Source
Show steps
Show steps
Show steps
- Identify open-source computer vision projects that align with interests.
- Review the project's documentation and codebase.
- Make contributions to the project, such as bug fixes, feature enhancements, or documentation improvements.
Career center
Learners who complete Vision artificielle et exploitation intelligente des ressources naturelles will develop knowledge and skills
that may be useful to these careers:
For more career information including salaries, visit:
OpenCourser.com/course/7liig4/vision
Reading list
We haven't picked any books for this reading list yet.
For more information about how these books relate to this course, visit:
OpenCourser.com/course/7liig4/vision
Share
Similar courses
Similar courses are unavailable at this time. Please try again later.
Effort
24 to 26 hours per week for 5 weeks
Level
Intermediate
Via
edX
Institution
Université de Montréal
Instructors
Claude Coulombe
Isabelle Cayer
Language
Français
Transcript
Français
Our mission
OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.
Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.
Find this site helpful? Tell a friend about us.
Affiliate disclosure
We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.
Your purchases help us maintain our catalog and keep our servers humming without ads.
Thank you for supporting OpenCourser.
© 2016 - 2025 OpenCourser