کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش یادگیری ماشین: بینایی کامپیوتر مدرن و هوش مصنوعی مولد - آخرین آپدیت

دانلود Machine Learning: Modern Computer Vision & Generative AI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

یادگیری ماشین: بینایی کامپیوتر مدرن و هوش مصنوعی مولد با KerasCV

به دوره پیشرفته "یادگیری ماشین: بینایی کامپیوتر مدرن و هوش مصنوعی مولد" خوش آمدید. این دوره، دنیای جذاب بینایی کامپیوتر و هوش مصنوعی مولد را با استفاده از کتابخانه KerasCV در پایتون بررسی می‌کند. این دوره برای علاقه‌مندان به یادگیری ماشین طراحی شده است که می‌خواهند ادغام تحلیل تصویر و مدل‌سازی مولد را به شکلی ساده و کارآمد تجربه کنند.

نکات برجسته دوره:

  • کتابخانه KerasCV: ما با بهره‌گیری از قدرت کتابخانه KerasCV شروع می‌کنیم، که به طور یکپارچه با بک‌اند‌های محبوب یادگیری عمیق مانند Tensorflow، PyTorch و JAX ادغام می‌شود. KerasCV فرآیند نوشتن کد یادگیری عمیق را ساده می‌کند و آن را در دسترس و کاربر پسند می‌سازد.
  • تشخیص تصویر: در تکنیک‌های تشخیص تصویر مهارت کسب کنید. یاد بگیرید که چگونه از مدل‌های از پیش آموزش‌دیده فقط با یک خط کد استفاده کنید و هنر تنظیم دقیق این مدل‌ها را برای متناسب کردن با مجموعه داده‌ها و برنامه‌های خاص خود کشف کنید.
  • تشخیص اشیا: به دنیای جذاب تشخیص اشیا غوطه ور شوید. بر هنر استفاده از مدل‌های از پیش آموزش‌دیده برای وظایف تشخیص اشیا با کمترین تلاش مسلط شوید. علاوه بر این، فرآیند تنظیم دقیق این مدل‌ها را بررسی کنید و یاد بگیرید که چگونه با استفاده از برنامه GUI LabelImg مجموعه‌داده‌های تشخیص شی سفارشی ایجاد کنید.
  • هوش مصنوعی مولد با Stable Diffusion: پتانسیل خلاقانه هوش مصنوعی مولد را با Stable Diffusion آزاد کنید، یک مدل قدرتمند تبدیل متن به تصویر که توسط Stability AI توسعه یافته است. قابلیت‌های آن را در تولید تصاویر از دستورات متنی بررسی کنید و مزایای اجرای KerasCV، مانند کامپایل XLA و پشتیبانی از دقت مختلط را درک کنید، که مرزهای سرعت و کیفیت تولید را جابجا می‌کند.

اهداف دوره:

  • ایجاد یک پایه قوی در تکنیک‌های مدرن بینایی کامپیوتر، از جمله تشخیص تصویر و تشخیص شی.
  • کسب تجربه عملی در استفاده از مدل‌های از پیش آموزش‌دیده و تنظیم دقیق آنها برای وظایف خاص.
  • یادگیری ایجاد مجموعه‌داده‌های تشخیص شی سفارشی برای مقابله موثر با مشکلات دنیای واقعی.
  • باز کردن دنیای هوش مصنوعی مولد با Stable Diffusion، که به شما امکان می‌دهد تصاویر را از متن با سرعت و دقت پیشرفته تولید کنید.
  • تقویت مهارت‌های یادگیری ماشین خود و افزودن ابزارهای ارزشمند به جعبه ابزار خود برای برنامه‌های مختلف، از پروژه‌های بینایی کامپیوتر گرفته تا هنر تولیدی و تولید محتوا.

در این سفر جذاب به دنیای بینایی کامپیوتر مدرن و هوش مصنوعی مولد به ما بپیوندید. چه یک متخصص یادگیری ماشین با تجربه باشید و چه تازه شروع کرده‌اید، این دوره شما را با دانش و مهارت‌های لازم برای مقابله با تحلیل تصویر پیچیده و پروژه‌های هوش مصنوعی خلاقانه با اطمینان مجهز می‌کند. امکانات پیشرفته‌ای که KerasCV و Stable Diffusion ارائه می‌دهند را بررسی کنید و آرزوهای هوش مصنوعی خود را زنده کنید.

پیش نیازها: دانش اولیه از یادگیری ماشین و برنامه نویسی پایتون. آشنایی با مفاهیم یادگیری عمیق مفید است اما اجباری نیست.

کلمات کلیدی: KerasCV, Python, Tensorflow, PyTorch, JAX, بینایی کامپیوتر، تشخیص تصویر، تشخیص اشیا، Stable Diffusion، هوش مصنوعی مولد، یادگیری ماشین، آموزش، دوره آموزشی

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه و رئوس مطالب Introduction & Outline

  • چگونه در این دوره موفق شویم How to Succeed in This Course

  • کد را از کجا دریافت کنیم Where to Get the Code

دسته‌بندی تصاویر، تنظیم دقیق و یادگیری انتقالی Image Classification, Fine-Tuning and Transfer Learning

  • رئوس مطالب بخش دسته‌بندی Classification Section Outline

  • مفاهیم: طبقه‌بندی‌کننده تصویر از پیش آموزش‌دیده Concepts: Pre-trained Image Classifier

  • طبقه‌بندی‌کننده تصویر از پیش آموزش‌دیده در پایتون Pre-trained Image Classifier in Python

  • یادگیری انتقالی و تنظیم دقیق Transfer Learning and Fine-Tuning

  • تنظیم دقیق یک طبقه‌بندی‌کننده تصویر در پایتون Fine-Tuning an Image Classifier in Python

  • تمرین دسته‌بندی Classification Exercise

  • جعبه پیشنهادات Suggestion Box

تشخیص اشیاء Object Detection

  • رئوس مطالب تشخیص اشیاء Object Detection Outline

  • مفاهیم: تشخیص اشیاء Concepts: Object Detection

  • رمزگشایی خروجی: IoU، حذف حداکثر غیر، امتیاز اطمینان Decoding the Output: IoU, Non-Max Suppression, Confidence Score

  • تشخیص اشیاء از پیش آموزش‌دیده در پایتون Pre-trained Object Detection in Python

  • Focal Loss و Smooth L1 Loss Focal Loss & Smooth L1 Loss

  • فرمت‌های مجموعه داده تشخیص اشیاء (COCO و Pascal VOC) Object Detection Dataset Formats (COCO & Pascal VOC)

  • راه‌اندازی LabelImg LabelImg Setup

  • نمایش LabelImg LabelImg Demo

  • افزایش داده Data Augmentation

  • فرمت مجموعه داده تشخیص اشیاء KerasCV KerasCV Object Detection Dataset Format

  • تنظیم دقیق تشخیص اشیاء در پایتون (مجموعه داده داخلی) Fine-Tuning Object Detection in Python (Built-In Dataset)

  • تنظیم دقیق تشخیص اشیاء در پایتون (مجموعه داده سفارشی) Fine-Tuning Object Detection in Python (Custom Dataset)

  • تمرین تشخیص اشیاء Object Detection Exercise

هوش مصنوعی مولد با Stable Diffusion Generative AI with Stable Diffusion

  • رئوس مطالب Stable Diffusion Stable Diffusion Outline

  • تولید تصاویر با Stable Diffusion در پایتون Generate Images with Stable Diffusion in Python

  • مدل‌های انتشار چگونه کار می‌کنند؟ (اختیاری) How Do Diffusion Models Work? (Optional)

  • معماری مدل انتشار (اختیاری) Diffusion Model Architecture (Optional)

  • چگونه مدل‌های انتشار بر اساس درخواست‌ها شرطی می‌شوند (اختیاری) How Diffusion Models Condition on Prompts (Optional)

  • نگاهی به کد منبع مدل انتشار (اختیاری) A Look at the Diffusion Model Source Code (Optional)

پیوست / مقدمه سوالات متداول Appendix / FAQ Intro

  • پیوست چیست؟ What is the Appendix?

تنظیم محیط خود (پیوست/سوالات متداول به درخواست دانشجو) Setting Up Your Environment (Appendix/FAQ by Student Request)

  • بررسی قبل از نصب Pre-Installation Check

  • راه‌اندازی محیط Anaconda Anaconda Environment Setup

  • نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano، و TensorFlow How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

کمک اضافی در زمینه کدنویسی پایتون برای مبتدیان (پیوست/سوالات متداول به درخواست دانشجو) Extra Help With Python Coding for Beginners (Appendix/FAQ by Student Request)

  • نکات کدنویسی برای مبتدیان Beginner's Coding Tips

  • چگونه خودتان کدنویسی کنید (بخش 1) How to Code Yourself (part 1)

  • چگونه خودتان کدنویسی کنید (بخش 2) How to Code Yourself (part 2)

  • اثبات اینکه استفاده از Jupyter Notebook همانند عدم استفاده از آن است Proof that using Jupyter Notebook is the same as not using it

استراتژی‌های یادگیری موثر برای یادگیری ماشین (پیوست/سوالات متداول) Effective Learning Strategies for Machine Learning (Appendix/FAQ)

  • آیا این برای مبتدیان یا متخصصان است؟ آکادمیک یا عملی؟ سریع یا آهسته؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • دوره‌های شما را به چه ترتیبی باید بگذرانم؟ (بخش 1) What order should I take your courses in? (part 1)

  • دوره‌های شما را به چه ترتیبی باید بگذرانم؟ (بخش 2) What order should I take your courses in? (part 2)

پایان پیوست / سوالات متداول Appendix / FAQ Finale

  • جایزه BONUS

آموزش چگونه گام به گام یک وبلاگ وردپرس برای مبتدیان بسازیم

آموزش چگونه گام به گام یک وبلاگ وردپرس برای مبتدیان بسازیم

How To Make A WordPress Blog For Beginners Step By Step

آموزش نگاه اول: جاوا 9

آموزش نگاه اول: جاوا 9

دانلود First Look: Java 9

آموزش حروف و طراحی خلاق: مقدمه ای جامع برای تصویرسازی شکل حروف

آموزش حروف و طراحی خلاق: مقدمه ای جامع برای تصویرسازی شکل حروف

Creative Lettering & Design: A Comprehensive Introduction to Illustrating Letterforms

نمایش نظرات

آموزش یادگیری ماشین: بینایی کامپیوتر مدرن و هوش مصنوعی مولد
جزییات دوره
6.5 hours
41
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,836
4.6 از 5
ندارد
دارد
دارد

https://donyad.com/d/651762

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Inc. Lazy Programmer Inc.

امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.

Lazy Programmer Team Lazy Programmer Team

مهندس هوش مصنوعی و آموزش ماشین من فوق لیسانس خود را در رشته مهندسی کامپیوتر با تخصص یادگیری ماشین و تشخیص الگو دریافت کردم. تجربه شامل تبلیغات آنلاین و رسانه های دیجیتال به عنوان یک دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس کلان داده (ساخت خطوط پردازش داده). برخی از فناوری های داده بزرگ که من اغلب استفاده می کنم Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدلهای یادگیری عمیقی برای پیش بینی نرخ کلیک و رفتار کاربر و همچنین پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های توصیه از یادگیری تقویتی و فیلترینگ مشارکتی استفاده کرده است و ما نتایج را با استفاده از آزمایش A/B معتبر کرده ایم.