آموزش تولید تصاویر چهره با شبکه‌های تخاصمی مولد GAN – ساخت و پیاده‌سازی در پایتون + گواهینامه

آموزش تولید تصاویر چهره با شبکه‌های تخاصمی مولد GAN – ساخت و پیاده‌سازی در پایتون + گواهینامه

در این آموزش نحوه ساخت و پیاده سازی شبکه های تخاصمی مولد GAN را یاد می گیرید و به صورت عملی تولید تصاویر چهره را در پایتون اجرا می کنید.

تریلر دوره

توضیحات کامل دوره

شبکه‌های عصبی تولیدکننده GAN چیست؟ تولید داده‌های مصنوعی در مسایل یادگیری ماشین و در حالت کلی مسایل مرتبط با هوش مصنوعی از مهم‌ترین و پرکاربردترین موضوعات جهت پاسخ به نیازهای متعدد و...

شبکه‌های عصبی تولیدکننده GAN چیست؟

تولید داده‌های مصنوعی در مسایل یادگیری ماشین و در حالت کلی مسایل مرتبط با هوش مصنوعی از مهم‌ترین و پرکاربردترین موضوعات جهت پاسخ به نیازهای متعدد و حیاتی است. عدم وجود داده‌های کافی جهت آموزش، لزوم حفظ محرمانگی داده‌ها، کمبود داده‌های با کیفیت و سایر موارد مشابه از دلایل لزوم به‌کارگیری روش‌های تولید داده‌های مصنوعی هستند. 

ابزارهای مختلفی به منظور تولید داده‌های مصنوعی برای آموزش و یا سایر کاربردها موجود هستند که از مهم‌ترین و موثرترین آن‌ها شبکه‌های متخاصم مولد یا Generative Adversarial Networks (GANs) هستند GANها دسته‌ای از مدل‌های یادگیری ماشین‌اند که انقلابی در زمینه مدل‌سازی مولد ایجاد کرده‌اند. آن‌ها از دو شبکه عصبی، یک مولد و یک تمایزگر تشکیل شده‌ا‌ند که به طور هم‌زمان آموزش داده می‌شوند. 

کاربردها و موارد استفاده از GANها به تولید داده‌های مصنوعی محدود نمی‌شود و برخی از آن‌ها را می‌توان به شرح زیر ذکر کرد:

  • رنگ‌آمیزی تصاویر قدیمی
  • تولید تصاویر مصنوعی
  • افزایش وضوح تصاویر
  • تولید محتوای جعل عمیق
  • شناسایی وتشخیص اشیا
  • تولید تصاویر هنری
  • بازسازی تصاویر سه‌بعدی
  • ترکیب تصاویر
  • تولید تصاویر از متن

اهمیت یادگیری ایجاد چهره با شبکه‌های عصبی تولیدکننده GAN در پایتون چیست؟

همان‌طور که گفته شد، یکی از کاربردهای اصلی GANها تولید تصویر است. تولید تصویر و به ‌ویژه تولید چهره یکی از درخواست‌های پرکاربرد GAN است. ازکاربردهای تولید چهره می‌توان به حوزه‌های سرگرمی و چندرسانه‌ای، بازاریابی و تبلیغ، پزشکی و توانبخشی، هنر و آموزش، محرمانگی و امنیت و تحقیق و توسعه اشاره کرد. در این دوره علاوه بر آشنایی بنیادین با GANها، نحوه طراحی، گام‌های اساسی آموزش وپیاده‌سازی GANها به منظور تولید چهره‌های مصنوعی را خواهیم آموخت. زبان برنامه‌نویسی مورد استفاده برای پیاده‌سازی، پایتون است که ماژول‌های مورد نیاز در آن نصب می‌شود.

ظهور GANها و کاربردهای آن‌ها در بسیاری از کاربردهای دنیای واقعی اجتناب‌ناپذیر است. همچنین یکی از مهم‌ترین و کاربردی‌ترین کاربردهای GANها، تولید چهره مصنوعی است. اهمیت این کاربرد، GANها را به یکی از ابزارهای نمادین در تولید چهره تبدیل کرده است. علاوه بر این، با توجه به این واقعیت، تولید چهره به عنوان یکی از کاربردهای نمادین GANها شناخته می‌شود. با توجه به توسعه روزافزون GANها و به‌کارگیری برخی از پیشرفته‌ترین تکنیک‌ها در هوش مصنوعی، درک کاربرد آن‌ها در تولید چهره به ما کمک می‌کند در خط مقدم فناوری هوش مصنوعی بمانیم. GANها می‌توانند چهره‌های بسیار واقع‌گرایانه تولید کنند و مرزهای آنچه در بینایی ماشین وجود دارد را جابه‌جا کنند. کار با GANها می‌تواند مهارت‌های ما را در شبکه‌های عصبی، آموزش خصمانه و یادگیری عمیق، که حوزه‌های حیاتی در هوش مصنوعی مدرن هستند، افزایش می‌دهد.

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش ابتدا پیشینه نظری GANها آموزش داده می‌شود. برای تشریح این موضوع، باید اصول شبکه‌های عصبی پیچشی و همه بلوک‌های سازنده آن‌ها و همچنین انواع مهم این شبکه‌ها را به درستی درک کنیم. سپس بلوک‌های سازنده یک GAN و نقش آن‌ها در وظایف مرتبط گفته خواهد شد. پس از آن، نحوه پیاده‌سازی هر بلوک ساختمانی و نحوه الحاق بلوک‌های مرتبط در یک مدل را یاد می‌گیریم. پس از یادگیری نحوه تشکیل یک GAN، نحوه آموزش GAN با استفاده از پایگاه داده‌های موجود برای تولید چهره مصنوعی را یاد خواهیم گرفت. همان‌طور که در این ماژول، وظیفه اصلی GAN تولید چهره است، ما آموزش را با پایگاه داده‌های چهره مهم مرتبط انجام خواهیم داد. در نهایت روش‌هایی در تنظیم دقیق شبکه ذکر و اجرا می‌شود. همچنین به دلیل وجود بسیاری از GANهای آماده برای تولید چهره، نحوه استفاده از این شبکه‌ها را در تولید چهره‌های مصنوعی یاد خواهیم گرفت. اجرای تمامی مراحل با استفاده از پایتون و ماژول‌ها و زیر ماژول‌های مربوط به آن انجام می‌شود.

  • فصل یکم: مقدمه‌ای بر شبکه‌های عصبی پیچشی
    • درس ۱: معرفی کلی شبکه‌های عصبی پیچشی
    • درس ۲:  معرفی عمل پیچش یا Convolution
    • درس ۳: نتیجه عمل پیچش بر روی تصاویر به منظور استخراج ویژگی
    • درس ۴: نحوه طبقه‌بندی تصاویر توسط شبکه‌های عصبی پیچشی
    • درس ۵: مقدمه‌ای بر مفهوم یادگیری تخاصمی، روش‌ها و کاربردهای آن
  • فصل دوم: آشنایی با شبکه‌های تخاصمی مولد
    • درس ۶: مقدمه‌ای بر ساختار شبکه‌های تخاصمی مولد
    • درس ۷: عملکرد شبکه‌های تخاصمی مولد در تولید داده‌های مصنوعی
    • درس ۸: مقدمات و کتابخانه‌ها
    • درس ۹: ساختن معماری مدل
    • درس ۱۰: معماری شبکه
    • درس ۱۱: توابع مورد نیاز 
    • درس ۱۲: آشنایی با مراحل آموزش شبکه
    • درس ۱۳: پیاده‌سازی بخش آموزش
    • درس ۱۴: مصورسازی نتایج اولیه آموزش شبکه‌های تخاصمی مولد
    • درس ۱۵: مشاهده نتایج اولیه 
  • فصل سوم: به‌کارگیری شبکه‌های تخاصمی مولد در تولید تصاویر چهره
    • درس ۱۶: مروری بر بعضی شبکه‌های تخاصمی مولد و معماری آن‌ها – DCGAN
    • درس ۱۷: مروری بر بعضی شبکه‌های تخاصمی مولد و معماری آن‌ها – ProGAN 
    • درس ۱۸: آشنایی با شبکه StyleGAN 
    • درس ۱۹: ویژگی‌های شبکه StyleGAN2 برای تولید تصاویر چهره
    • درس ۲۰: پکیج‌ها و داده‌های مورد نیاز
    • درس ۲۱: پیش‌پردازش
    • درس ۲۲: کلاس‌ها و معماری مدل مولد
    • درس ۲۳: کلاس‌ها و معماری مدل تمایزگر
    • درس ۲۴: ساخت مدل شبکه تخاصمی مولد بر اساس معماری‌های پایه
    • درس ۲۵: تنظیمات ضروری برای مشاهده نتایج تولیدشده
    • درس ۲۶:  مشاهده نتایج تولیدشده
  • فصل چهارم: یادگیری انتقالی در شبکه‌های تخاصمی مولد در تولید تصاویر چهره
    • درس ۲۷: تولید تصاویر چهره به کمک فرایند یادگیری انتقالی
    • درس ۲۸: آماده‌سازی مدل‌ها و داده‌های مورد نیاز
    • درس ۲۹: نحوه اجرا
    • درس ۳۰: مشاهده نتایج تصاویر چهره تولیدشده توسط یادگیری انتقالی
  • فصل پنجم: راهنمایی ادامه مسیر
    • درس ۳۱: جمع‌بندی و نتیجه مباحث
    • درس ۳۲: ادامه یادگیری

سرفصل‌های دوره

  • چکیده
    0:01:11

  • معرفی کلی شبکه‌های عصبی پیچشی
    رایگان 0:04:21
  •  معرفی عمل پیچش یا Convolution
    0:14:10
  • نتیجه عمل پیچش بر روی تصاویر به منظور استخراج ویژگی
    رایگان 0:13:22
  • نحوه طبقه‌بندی تصاویر توسط شبکه‌های عصبی پیچشی
    0:08:18
  • مقدمه‌ای بر مفهوم یادگیری تخاصمی، روش‌ها و کاربردهای آن
    0:05:33

  • مقدمه‌ای بر ساختار شبکه‌های تخاصمی مولد
    0:05:46
  • عملکرد شبکه‌های تخاصمی مولد در تولید داده‌های مصنوعی
    رایگان 0:09:32
  • مقدمات و کتابخانه‌ها
    0:03:01
  • ساختن معماری مدل
    0:05:42
  • معماری شبکه
    0:07:28
  • توابع مورد نیاز 
    0:07:43
  • آشنایی با مراحل آموزش شبکه
    0:05:34
  • پیاده‌سازی بخش آموزش
    0:09:45
  • مصورسازی نتایج اولیه آموزش شبکه‌های تخاصمی مولد
    0:11:09
  • مشاهده نتایج اولیه 
    0:05:22

  • مروری بر بعضی شبکه‌های تخاصمی مولد و معماری آن‌ها – DCGAN
    0:11:25
  • مروری بر بعضی شبکه‌های تخاصمی مولد و معماری آن‌ها – ProGAN 
    0:07:57
  • آشنایی با شبکه StyleGAN 
    0:12:07
  • ویژگی‌های شبکه StyleGAN2 برای تولید تصاویر چهره
    0:05:30
  • پکیج‌ها و داده‌های مورد نیاز
    0:10:33
  • پیش‌پردازش
    رایگان 0:14:38
  • کلاس‌ها و معماری مدل مولد
    0:03:14
  • کلاس‌ها و معماری مدل تمایزگر
    0:14:29
  • ساخت مدل شبکه تخاصمی مولد بر اساس معماری‌های پایه
    0:07:23
  • تنظیمات ضروری برای مشاهده نتایج تولیدشده
    0:08:42
  •  مشاهده نتایج تولیدشده
    0:10:03

  • تولید تصاویر چهره به کمک فرایند یادگیری انتقالی
    0:13:58
  • آماده‌سازی مدل‌ها و داده‌های مورد نیاز
    رایگان 0:13:22
  • نحوه اجرا
    0:11:35
  • مشاهده نتایج تصاویر چهره تولیدشده توسط یادگیری انتقالی
    0:06:36

  • جمع‌بندی و نتیجه مباحث
    0:02:49
  • ادامه یادگیری
    0:03:24
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • آزمون نهایی و دریافت گواهینامه دوزبانه

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,590,000 تومان
518,000 تومان
80% تخفیف

این دوره شامل:
8 فصل آموزشی
4:35:41 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:36:20
تعداد امتیازها: 3
تعداد دانشجو: 52
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: