آموزش دسته بندی تصاویر با شبکه های عصبی در پایتون و در Google Colab + گواهینامه

آموزش دسته بندی تصاویر با شبکه های عصبی در پایتون و در Google Colab + گواهینامه

یادگیری عمیق چیست؟ یادگیری عمیق زیرشاخه‌ای از تکنیک‌های یادگیری ماشین می‌باشد، که قادر به استخراج خودکار ویژگی‌های سطح بالا از ویژگی‌های سطح پایین می‌باشد. اهمیت یادگیری این آموزش چیست؟ امروزه تکنیک‌های یادگیری عمیق درزمینه‌های مختلفی مانند تشخیص سرطان و یا نوع بیماری در تصاویر پزشکی، تشخیص نوع گیاه و یا نوع آفت در گیاهان، ترجمه متون، چت بت‌ها، توصیف تصاویر ماهواره‌ای، مسیریابی خودرو در ماشین‌های خودران، بهبود عملکرد شهرهای هوشمند، تخصیص بهینه منابع در رایانش ابری و... کاربردهای فراوانی دارند؛ به‌گونه‌ای که پیشرفت‌های اخیر تکنیک‌های یادگیری عمیق به سطحی رسیده که در اموری مانند طبقه‌بندی تصاویر و تشخیص اشیا بهتر از انسان‌ها عمل کرده است. با توجه به کاربردهای فراوان یادگیری عمیق در صنایع مختلف از جمله مهندسی، پزشکی، حمل‌ونقل، تولید، مراقبت‌های بهداشتی و همچنین هوشمند شدن صنایع مختلف، لزوم یادگیری عمیق امری ضروری می‌باشد؛ زیرا با جایگزین کردن ماشین‌ها (کامپیوترها) به‌ جای انسان احتمال بروز خطا و اشتباه در مسائل حساس از قبیل پزشکی که با جان انسان‌ها سروکار دارند را کاهش می‌دهد. در این فرادرس چطور یاد می‌گیریم؟ ما در این دوره آموزشی می‌خواهیم دانشجویان را با محیط برنامه‌نویسی Google‌ Colab و همچنین تکنیک‌های یادگیری عمیق از جمله طبقه‌بندی تصاویر، توصیف تصاویر، عنوان‌بندی تصاویر و بازشناسی چهره آشنا کنیم. در این فرادرس ابتدا به خواندن فایل‌های CSV و نحوه استخراج فایل‌های فشرده در محیط Google Colab می‌پردازیم؛ سپس مفاهیم پایه و اساسی مورد نیاز برای انجام پروژه بازشناسی چهره را مورد بررسی قرار می‌دهیم. در انتها، ساختن مدل و پیاده‌سازی تابع هزینه سه‌گانه را به شما مخاطبین گرامی آموزش خواهیم داد.

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • چکیده
    0:02:00

  • اتصال به محیط Google Colab
    رایگان 0:08:35
  • خواندن فایل‌های CSV و نحوه استخراج فایل‌های فشرده در محیط Google Colab
    0:09:11
  • خواندن تصاویر در محیط Google Colab
    رایگان 0:08:53
  • تمرین ۱ - محیط گوگل کولب
  • آزمون ۱

  • معرفی ساختار شبکه‌های عصبی مصنوعی (ANN)
    0:09:14
  • معرفی الگوریتم‌های انتشار پیش‌رو و پس‌رو
    0:09:56
  • پیاده‌سازی یک شبکه عصبی مصنوعی
    0:14:17
  • انجام کارهای پیش‌پردازش و ساختن مدل
    رایگان 0:13:29
  • آموزش، تست و ارزیابی مدل
    0:16:23
  • تمرین ۱ - الگوریتم بهینه‌سازی
  • تمرین ۲ - معیارهای ارزیابی و کارایی مدل
  • تمرین ۳ - شبکه‌های عصبی مصنوعی
  • تمرین ۴ - توابع فعال‌سازی
  • آزمون ۲

  • ساختار شبکه‌های CNN
    0:12:34
  • معرفی مفاهیم ImageDataGenerator و Transfer Learning
    رایگان 0:13:27
  • انجام پروژه دسته‌بندی ارقام دست‌نویس
    0:09:59
  • پیاده‌سازی معماری LeNet-5
    0:08:48
  • آموزش و تست مدل پیاده‌سازی‌شده
    0:15:40
  • انجام پروژه دسته‌بندی تصاویر سگ و گربه
    0:09:19
  • چگونگی استفاده از ImageDataGenerator
    0:09:37
  • آموزش مدل با Transfer Learning
    0:13:32
  • تمرین ۱ - ساختار شبکه‌های عصبی کانولوشنی
  • تمرین ۲ - دسته‌بندی تصاویر
  • تمرین ۳ - تشخیص حروف دست‌نویس
  • آزمون ۳

  • نحوه تعریف ماتریس و تنسور در پایتون
    0:06:51
  • عملیات پایه بر روی تنسورها
    0:11:12
  • آزمون ۴

  • مفاهیم پایه و اساسی مورد نیاز برای انجام پروژه بازشناسی چهره
    رایگان 0:13:01
  • آشنایی با دیتاست مورد استفاده (AT & T)
    0:08:33
  • ایجادکردن مجموعه آموزشی و آزمایشی مورد استفاده
    0:12:24
  • اعمال Transformationهای مد نظر بر روی تصاویر و ایجاد Dataset
    0:10:47
  • ایجاد دیتاست سه‌گانه (Triplet Dataset)
    0:10:00
  • ایجاد DataLoader
    0:08:11
  • نمایش تصاویری از دیتاست سه‌گانه ایجادشده
    0:14:31
  • ساختن مدل و پیاده‌سازی تابع هزینه سه‌گانه
    0:13:00
  • آموزش و تست مدل
    0:12:23
  • آزمون ۵

  • جمع‌بندی
    0:02:58
  • ادامه مسیر تا ورود به بازار کار

  • تمرین ۱ - دسته‌بندی تصاویر
  • تمرین ٢ - دسته‌بندی تصاویر انسان و اسب

  • آموزش دسته‌بندی تصاویر با شبکه‌های عصبی در پایتون و در Google Colab

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1,990,000 تومان
398,000 تومان
80% تخفیف

این دوره شامل:
9 فصل آموزشی
5 ساعت ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/09
آخرین به‌روزرسانی: 2026-10-29 14:48:53
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: