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

خوش‌آمدگویی Welcome

• مقدمه و سرفصل‌ها Introduction and Outline

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

• کدها را از کجا تهیه کنیم Where to Get the Code

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

• سرفصل بخش طبقه‌بندی Classification Section Outline

• مفاهیم: طبقه‌بند تصویر پیش‌آموزش‌دیده Concepts: Pre-trained Image Classifier

• طبقه‌بند تصویر پیش‌آموزش‌دیده در پایتون Pre-trained Image Classifier in Python

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

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

• تمرین طبقه‌بندی Classification Exercise

• باکس پیشنهادات Suggestion Box

تشخیص اشیا Object Detection

• سرفصل تشخیص اشیا Object Detection Outline

• مفاهیم: تشخیص اشیا Concepts: Object Detection

• رمزگشایی خروجی: IoU، حذف غیرحداکثری (NMS)، امتیاز اطمینان Decoding the Output: IoU, Non-Max Suppression, Confidence Score

• تشخیص اشیا پیش‌آموزش‌دیده در پایتون Pre-trained Object Detection in Python

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

• فرمت‌های دیتاست تشخیص اشیا (COCO و Pascal VOC) Object Detection Dataset Formats (COCO & Pascal VOC)

• راه‌اندازی LabelImg LabelImg Setup

• آموزش کار با LabelImg LabelImg Demo

• افزایش داده (Data Augmentation) Data Augmentation

• فرمت دیتاست تشخیص اشیا در KerasCV KerasCV Object Detection Dataset Format

• تنظیم دقیق تشخیص اشیا در پایتون (با دیتاست داخلی) Fine-Tuning Object Detection in Python (Built-In Dataset)

• تنظیم دقیق تشخیص اشیا در پایتون (با دیتاست سفارشی) Fine-Tuning Object Detection in Python (Custom Dataset)

• تمرین تشخیص اشیا Object Detection Exercise

هوش مصنوعی مولد با Stable Diffusion Generative AI with Stable Diffusion

• سرفصل Stable Diffusion Stable Diffusion Outline

• تولید تصویر 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 – Unet Diffusion Model Architecture – Unet

• مدل‌های انتشار چگونه بر اساس Prompt عمل می‌کنند؟ (اختیاری) How Diffusion Models Condition on Prompts (Optional)

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

راه‌اندازی محیط کار (ضمیمه/سوالات متداول به درخواست دانشجویان) Setting Up Your Environment (Appendix/FAQ by Student Request)

• 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 برای کدنویسی پایتون برای مبتدیان (ضمیمه/سوالات متداول به درخواست دانشجویان) 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 ۱) How to Code Yourself (Part 1)

• چگونه خودتان کدنویسی کنید (بخش ۲) How to Code Yourself (Part 2)

• اثباتی بر اینکه استفاده از Jupyter Notebook با عدم استفاده از آن یکی است Proof that using Jupyter Notebook is the same as not using it

استراتژی‌های یادگیری موثر برای یادگیری ماشین (ضمیمه/سوالات متداول به درخواست دانشجویان) Effective Learning Strategies for Machine Learning (Appendix/FAQ by Student Request)

• دوره‌های شما را با چه ترتیبی بگذرانم؟ (بخش ۱) What order should I take your courses in? (part 1)

• دوره‌های شما را با چه ترتیبی بگذرانم؟ (بخش ۲) What order should I take your courses in? (part 2)

ضمیمه / بخش پایانی سوالات متداول Appendix / FAQ Finale

• کدهای تخفیف و منابع رایگان یادگیری عمیق را از کجا تهیه کنیم؟ Where to Get Discount Coupons and FREE Deep Learning Material?