آموزش یادگیری عمیق برای بینایی ماشین: تکنیک‌ها و کاربردها - آخرین آپدیت

سرفصل ها و درس ها

ماژول ۱: مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین، بینایی ماشین و PyTorch Module 1: Introduction to AI, Machine Learning, Computer Vision, and PyTorch

• مقدمه‌ای بر دوره ۱ Introduction to Course 1

• مقدمه‌ای بر ماژول ۱ Introduction to Module 1

• نمای کلی هوش مصنوعی Overview of AI

• مقدمه‌ای بر بینایی ماشین Introduction to Computer Vision

• بررسی هوش مصنوعی نمادین Exploring Symbolic AI

• فراتر از هوش مصنوعی نمادین Beyond Symbolic AI

• جمع‌بندی ماژول ۱ Conclusion to Module 1

ماژول ۲: گردش کار مبانی یادگیری ماشین و پرسپترون چندلایه (MLP) Module 2: Machine Learning Fundamentals Workflow and MultiLayer Perceptron (MLP)

• مقدمه‌ای بر ماژول ۲ Introduction to Module 2

• گردش کار یادگیری ماشین: خط لوله ML و آماده‌سازی داده‌ها Machine Learning Workflow: ML Pipeline and Data Preparation

• گردش کار یادگیری ماشین: انتخاب ویژگی و مدل‌سازی Machine Learning Workflow: Feature Selection and Modeling

• مقدمه‌ای بر مدل پرسپترون چندلایه (MLP) Introduction to Multilayer Perceptron (MLP) Model

• مفاهیم بنیادی یادگیری عمیق: ورودی، خروجی و مدل Fundamental Concepts of Deep Learning: Input, Output, and Model

• مفاهیم بنیادی یادگیری عمیق: لایه‌ها و تابع زیان Fundamental Concepts of Deep Learning: Layers and Loss Function

• مفاهیم بنیادی یادگیری عمیق: آموزش و بهینه‌سازی Fundamental Concepts of Deep Learning: Training and Optimization

• جمع‌بندی ماژول ۲ Conclusion to Module 2

ماژول ۳: مبانی شبکه‌های عصبی کانولوشنال (CNNs) Module 3: Fundamentals of Convolutional Neural Networks (CNNs)

• مقدمه‌ای بر ماژول ۳ Introduction to Module 3

• یادگیری عمیق با CNNها: مفاهیم اصلی Deep Learning with CNNs: Core Concepts

• یادگیری عمیق با CNNها: لایه‌های کانولوشنال Deep Learning with CNNs: Convolutional Layers

• یادگیری عمیق با CNNها: هایپرپارامترهای اختصاصی لایه Deep Learning with CNNs: Layer-Specific Hyperparameters

• یادگیری عمیق با CNNها: پولینگ، دراپ‌اوت و نرمال‌سازی دسته‌ای Deep Learning with CNNs: Pooling, Dropout, and Batch Normalization

• ساخت مدل CNN Building CNN Model

• جمع‌بندی ماژول ۳ Conclusion to Module 3

ماژول ۴: معماری‌های پیشرفته CNN Module 4: Advanced CNN Architectures

• مقدمه‌ای بر ماژول ۴ Introduction to Module 4

• تکامل معماری‌های CNN Evolution of CNN Architectures

• تکامل معماری‌های CNN (ادامه) Evolution of CNN Architectures - Continued

• یادگیری عمیق برای مجموعه‌داده‌های کوچک: افزایش داده‌ها Deep learning for small datasets: data augmentation

• یادگیری عمیق برای مجموعه‌داده‌های کوچک: یادگیری انتقالی و تنظیم دقیق Deep learning for small datasets: Transfer learning and fine-tuning

• جمع‌بندی ماژول ۴ Conclusion to Module 4

ماژول ۵: تشخیص و مکان‌یابی اشیاء Module 5: Object Detection and Localization

• مقدمه‌ای بر ماژول ۵ Introduction to Module 5

• مقدمه‌ای بر الگوریتم‌های تشخیص اشیاء در بینایی ماشین Introduction to Object detection algorithms in computer vision

• چارچوب کلی تشخیص اشیاء General Object Detection Framework

• تشخیص‌دهنده‌های چند مرحله‌ای Multi-Stage Detector

• تشخیص‌دهنده‌های تک مرحله‌ای Single-Stage Detector

• جمع‌بندی ماژول ۵ Conclusion to Module 5

ماژول ۶: بخش‌بندی تصاویر (Image Segmentation) Module 6: Image Segmentation

• مقدمه‌ای بر ماژول ۶ Introduction to Module 6

• مبانی بخش‌بندی تصاویر Fundamentals of Image Segmentation

• معماری‌های بخش‌بندی معنایی (Semantic Segmentation) Semantic Segmentation Architectures

• معماری‌های بخش‌بندی نمونه‌ای (Instance Segmentation) Instance Segmentation Architectures

• توابع زیان و معیارهای ارزیابی بخش‌بندی تصاویر Image Segmentation Loss Functions and Evaluation Metrics

• جمع‌بندی ماژول ۶ Conclusion to Module 6

پروژه نهایی: کاربرد واقعی با PyTorch Capstone Project: Real-world Application with PyTorch

• مقدمه‌ای بر ماژول ۷ Introduction to Module 7

• جمع‌بندی نهایی دوره ۱ Course 1 Conclusion