🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جامع بینایی ماشین و یادگیری عمیق با OpenCV و Keras
- آخرین آپدیت
دانلود Master Computer Vision & Deep Learning in OpenCV and Keras
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش جامع بینایی ماشین و یادگیری عمیق با پایتون (OpenCV, TensorFlow & Keras) به همراه 14 پروژه
در این دوره، شما با استفاده از پایتون، کتابخانههای OpenCV، TensorFlow و Keras، مباحث بینایی ماشین و یادگیری عمیق را به صورت جامع و پروژهمحور فرا خواهید گرفت. از مقدماتیترین مباحث تا پیشرفتهترین تکنیکها، در این دوره پوشش داده میشود.
آنچه در این دوره خواهید آموخت:
پایتون: آموزش پایتون از سطح پایه تا پیشرفته (شیءگرا)
Numpy: آموزش Numpy از سطح پایه تا متوسط
OpenCV: کار با تصاویر و ویدیوها با استفاده از OpenCV
تشخیص اشیا: Object Detection
تشخیص چهره: Face Detection
Keras و TensorFlow: یادگیری کتابخانههای Keras و TensorFlow
تشخیص اشیا در زمان واقعی: Realtime Object Detection
تشخیص چهره و جنسیت در زمان واقعی: Real time face and gender detection
تشخیص چهره در زمان واقعی: Real time face detection
پیشنیازها:
هیچ دانش برنامهنویسی قبلی مورد نیاز نیست.
یک کامپیوتر مناسب با اتصال اینترنت پرسرعت مورد نیاز است.
مهمترین پیشنیاز: آمادگی جدی برای کدنویسی همراه با مدرس.
مهمترین پیشنیاز: تمایل جدی به توسعه پروژههای یادگیری عمیق و بینایی ماشین.
توضیحات دوره:
به دوره "آموزش جامع بینایی ماشین و یادگیری عمیق با پایتون (OpenCV, TensorFlow و Keras)" خوش آمدید. در این دوره، شما همه چیز را از صفر یاد خواهید گرفت.
ابتدا پایتون را از سطح صفر تا شیءگرا یاد خواهید گرفت. سپس Numpy را از سطح بسیار پایه تا متوسط فرا خواهید گرفت. پس از آن Python OpenCV را از ابتدا تا سطح پیشرفته و سپس Matplotlib را خواهید آموخت.
در این مرحله، در مورد هستههای تصویر، شبکههای عصبی مصنوعی، عناصر شبکههای عصبی مصنوعی و یادگیری عمیق چیست، خواهید آموخت.
شما سطوح پایه تا متوسط Tensorflow را یاد خواهید گرفت و یاد خواهید گرفت که چگونه با تانسورها بازی کنید. یاد خواهید گرفت که چگونه انواع مختلف تانسورها را با استفاده از Tensorflow ایجاد کنید و عملیات مختلفی را روی آن تانسورها اجرا کنید.
در نهایت، زمان آن فرا رسیده است که یاد بگیرید چگونه یک مدل شبکه عصبی مصنوعی با استفاده از Tensorflow و Keras ایجاد کنید و ما برای حل یک مسئله رگرسیون خطی ایجاد خواهیم کرد.
پس از اینکه یاد گرفتیم و مدل شبکه عصبی مصنوعی را با استفاده از Tensorflow و Keras ایجاد کردیم، اکنون زمان آن رسیده است که شبکه عصبی عمیق، شبکه عصبی کانولوشنال را پیادهسازی کنیم و پروژههای متعددی را با استفاده از Tensorflow، Keras و شبکه عصبی کانولوشنال توسعه دهیم. ما طبقهبندی تصویر باینری، طبقهبندی تصویر چند کلاسه و طبقهبندی و تشخیص در زمان واقعی را یاد میگیریم و توسعه میدهیم و از طریق توسعه حدود 50 پروژه یاد میگیریم و توسعه میدهیم.
شما از طریق توسعه پروژهها و نوشتن کدها با هم یاد خواهید گرفت. ما با هم حدود 30 پروژه را توسعه خواهیم داد. من قبلاً 14 پروژه را اضافه کردهام و حدود 16 پروژه دیگر به زودی ارائه میشود. سعی خواهم کرد حداقل 1 پروژه در هفته اضافه کنم.
من قول میدهم چیزی به شما بدهم که هیچ مربیای تا به حال در هیچ دورهای نداده است.
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
نحوه استفاده از این دوره برای نتیجه بهتر
How to use this course for the better result
نحوه امتیازدهی به دوره
How to rate the course
نحوه استفاده از بخش پرسش و پاسخ
How to use the QA section
نصب و پیکربندی
Installation and Configuration
نصب و پیکربندی Anaconda و PyCharm
Installing and configuring Anaconda & PyCharm
کامپایلر آنلاین و Google CoLab
Online Compiler & Google CoLab
مبانی پایتون
Python Essentials
01. به دنیای من خوش آمدید
01. Welcome to my Universe
02. متغیرها و تخصیص مقدار
02. Variables & Value assignments
03. پایتون - انواع داده و عملگرها
03. Python - Data types & Operators
تمرینات و تمرینات کدنویسی
Assignments and coding exercises
ایجاد یک آرایه نامپای تک بعدی
Create a single dimension numpy array
ایجاد یک ماتریس با مقدار بین 0 تا 1، با 30 عنصر در مجموع و 6 عنصر در هر ردیف
Create a matrix with the value between 0 to 1, with 30 elements in total and 6 elements in each row
ایجاد یک ماتریس فقط با مقدار 3.9
Create a matrix with the value 3.9 only
ایجاد یک ماتریس و تغییر شکل به 4 روش مختلف و استفاده از 2 متد برای تغییر شکل
Create a matrix and reshape in 4 different ways and use 2 methods to reshape
OpenCV
OpenCV
01. OpenCV - خواندن، نمایش، نوشتن و ذخیره تصاویر
01. OpenCV - Reading, Showing, Writing and Saving Images
02. تصویر نامپای و ویژگی های تصویر OpenCV
02. OpenCV - Numpy image and OpenCV image properties
10. math.reduce_prod()، math.reduce_variance()، linalg.matmul() در Tensorflow
10. math.reduce_prod(), math.reduce_variance(), linalg.matmul() in Tensorflow
11. tf.transpose()، tf.split()، tf.reverse()، tf.sort() در Tensorflow
11. tf.transpose(), tf.split(), tf.reverse(), tf.sort() in Tensorflow
12. tf.one_hot()، tf.keras.utils.to_categorical() در Tensorflow
12. tf.one_hot(), tf.keras.utils.to_categorical() in Tensorflow
پروژه 1 - ایجاد اولین شبکه عصبی خود برای مسئله رگرسیون خطی
Project 1 - Creating our first Neural Network for Linear Regression Problem
پروژه 1 - مدل رگرسیون خطی با استفاده از ANN در Keras و Tensorflow - قسمت 1
Project 1 - Linear Regression Model using ANN in Keras & Tensorflow - Part 1
پروژه 1 - مدل رگرسیون خطی با استفاده از ANN در Keras و Tensorflow - قسمت 2
Project 1 - Linear Regression Model using ANN in Keras & Tensorflow - Part 2
پروژه 1 - قسمت 3 - مدل ترتیبی Keras و Tensorflow و جزئیات آموزش
Project 1 - Part 3 - Keras & Tensorflow Sequential Model and Training Details
پروژه 2 - تشخیص ارقام دست نویس در شبکه عصبی مصنوعی
Project 2 - Hand Written Digit Recognition in Artificial Neural Network
پروژه 2 - تشخیص ارقام دست نویس در شبکه عصبی مصنوعی
Project 2 - Hand Written Digit Recognition in Artificial Neural Network
شبکه عصبی کانولوشن چیست؟
What is a Convolutional Neural Network?
شبکه عصبی کانولوشن چیست؟
What is a Convolutional Neural Network?
پروژه 3 - تشخیص ارقام دست نویس با استفاده از CNN در Keras و Tensorflow
Project 3 - Hand Written Digit Recognition using CNN in Keras & Tensorflow
پروژه 3 - تشخیص ارقام دست نویس با استفاده از CNN در Keras و Tensorflow
Project 3 - Hand Written Digit Recognition using CNN in Keras & Tensorflow
پروژه 4 - طبقه بندی تصویر و تشخیص مد با استفاده از CNN در Keras
Project 4 - Image Classification & Fashion Recognition using CNN in Keras
پروژه 4 - طبقه بندی تصویر و تشخیص مد با استفاده از CNN در Keras
Project 4 - Image Classification & Fashion Recognition using CNN in Keras
پروژه 5 - طبقه بندی تصویر و تشخیص شی با استفاده از cifar10 و CNN
Project 5 - Image Classification and Object Detection using cifar10 & CNN
پروژه 5 - طبقه بندی تصویر و تشخیص شی با استفاده از cifar10 و CNN
Project 5 - Image Classification and Object Detection using cifar10 & CNN
پروژه 6 - طبقه بندی گربه ها و سگ ها با استفاده از CNN در Keras و Tensorflow
Project 6 - Cats and Dogs Classification using CNN in Keras & Tensorflow
پروژه 6 - طبقه بندی گربه ها و سگ ها با استفاده از CNN در Keras و Tensorflow
Project 6 - Cats and Dogs Classification using CNN in Keras & Tensorflow
پروژه 7 - طبقه بندی تصویر و تشخیص خودروها با استفاده از CNN در Keras
Project 7 - Image Classification and Cars Detection using CNN in Keras
پروژه 7 - طبقه بندی تصویر و تشخیص خودروها با استفاده از CNN در Keras
Project 7 - Image Classification and Cars Detection using CNN in Keras
پروژه 8 - طبقه بندی تصویر و تشخیص گل ملی با استفاده از CNN در Keras
Project 8 - Image Classification & National Flower Detection using CNN in Keras
پروژه 8 قسمت 1 - طبقه بندی تصویر و تشخیص گل ملی با استفاده از CNN
Project 8 Part 1 - Image Classification & National Flower Detection using CNN
پروژه 8 قسمت 2 - مقابله با بیش برازش، کم برازش و اعتبارسنجی مدل
Project 8 Part 2 - Dealing with Overfitting, Underfitting and Model Validation
پروژه 8 قسمت 3 - مقابله با بیش برازش و افزایش داده در Tensorflow
Project 8 Part 3 - Dealing with Overfitting and Data augmentation in Tensorflow
پروژه 9 - طبقه بندی تصویر برای تشخیص چهره و جنسیت با استفاده از CNN در Keras
Project 9 - Image Classification for Face & Gender Detection using CNN in Keras
پروژه 9 - طبقه بندی تصویر برای تشخیص چهره و جنسیت با استفاده از CNN در Keras
Project 9 - Image Classification for Face & Gender Detection using CNN in Keras
پروژه 10 - تشخیص چهره و جنسیت در زمان واقعی با استفاده از CNN در Keras
Project 10 - Realtime Face & Gender Detection using CNN in Keras
پروژه 10 - تشخیص چهره و جنسیت در زمان واقعی با استفاده از CNN در Keras
Project 10 - Realtime Face & Gender Detection using CNN in Keras
پروژه 11 - تشخیص احساسات (شادی و غم) با استفاده از CNN و Keras
Project 11 - Emotion detection (Happy & Sad) using CNN & Keras
پروژه 11 - تشخیص احساسات (شادی و غم) با استفاده از CNN و Keras
Project 11 - Emotion detection (Happy & Sad) using CNN & Keras
یادگیری انتقالی
Transfer Learning
یادگیری انتقالی چیست؟
What is transfer learning?
پروژه 12 - تشخیص گل با استفاده از TFHub و یادگیری انتقالی
Project 12 - Flower detection using TFHub and Transfer Learning
پروژه 12 - تشخیص گل با استفاده از TFHub و یادگیری انتقالی
Project 12 - Flower detection using TFHub and Transfer Learning
معرفی برنامه های کاربردی Keras
Introduction to Keras Applications
معرفی برنامه های کاربردی Keras
Introduction to Keras Applications
پروژه - 13 تشخیص شی با استفاده از برنامه های کاربردی Keras
Project - 13 Object Detection using Keras Applications
پروژه - 13 تشخیص شی با استفاده از برنامه های کاربردی Keras
Project - 13 Object Detection using Keras Applications
پروژه 14 - تشخیص ماسک صورت در CNN با استفاده از Keras و یادگیری انتقالی
Project 14 - Face Mask Detection in CNN using Keras & Transfer Learning
پروژه 14 - تشخیص ماسک صورت با استفاده از CNN و Keras
Project 14 - Face Mask Detection using CNN & Keras
پروژه 14 - تشخیص ماسک صورت با استفاده از CNN و Keras - بازی با مدل ها
Project 14 - Face Mask Detection using CNN & Keras - Playing with Models
پروژه 14 - تشخیص ماسک صورت با استفاده از CNN، Keras و یادگیری انتقالی
Project 14 - Face Mask Detection using CNN, Keras & Transfer Learning
پروژه 14 - تشخیص ماسک صورت در زمان واقعی با استفاده از CNN و Keras و یادگیری انتقالی
Project 14 - Real time Face Mask Detection using CNN & Keras & Transfer Learning
تمرینات
Assignments
ایجاد 3 مدل با معماری یکسان و با 10٪، 5٪، 3٪ از کل داده های آموزشی
Create 3 models with same architecture & with 10%, 5%, 3% of total training data
پیاده سازی یادگیری انتقالی و استفاده از 3٪ از کل داده های آموزشی برای آموزش مدل خود
Implement transfer learning & use 3% of total training data to train your model
نمایش نظرات