یادگیری عمیق CNN: شبکه های عصبی کانولوشن با پایتون [ویدئو]

Deep Learning CNN: Convolutional Neural Networks with Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: شبکه های عصبی کانولوشنال (CNN) به ویژه پس از AlexNet در سال 2012، تغییر دهنده بازی در زمینه بینایی کامپیوتری در نظر گرفته می شوند. آنها اکنون در همه جا هستند، از پردازش صوتی گرفته تا یادگیری تقویتی پیشرفته تر. بنابراین، درک CNN ها در تمام زمینه های علم داده تقریباً اجتناب ناپذیر می شود. با استفاده از این دوره، می توانید حرفه خود را با تسلط متخصص بر مفاهیم و پیاده سازی CNN در علم داده به سطح بالاتری ببرید. این دوره با معرفی و یادداشت اهمیت شبکه های عصبی کانولوشن (CNN) در علم داده آغاز می شود. سپس به برخی از تکنیک های بینایی کامپیوتری کلاسیک مانند پردازش تصویر و تشخیص اشیا نگاه خواهید کرد. به دنبال آن شبکه های عصبی عمیق با موضوعاتی مانند پرسپترون و پرسپترون چند لایه خواهد بود. سپس، با یادگیری عمیق در مورد CNN ها پیش خواهید رفت. ابتدا به معماری یک CNN نگاه خواهید کرد، سپس به شیب نزول در CNN نگاه خواهید کرد، با TensorFlow، CNN های کلاسیک، یادگیری انتقال و مطالعه موردی با YOLO آشنا می شوید. در نهایت، شما روی دو پروژه کار خواهید کرد: انتقال سبک عصبی (با استفاده از TensorFlow-hub) و تأیید چهره (با استفاده از VGGFace2). در پایان این دوره، شما روش شناسی CNN ها با علم داده را با استفاده از مجموعه داده های واقعی درک خواهید کرد. جدا از این، شما به راحتی قادر خواهید بود مفاهیم و نظریه های بینایی کامپیوتر را با CNN ها مرتبط کنید. همه فایل‌های منبع به مخزن GitHub اضافه می‌شوند: https://github.com/PacktPublishing/Deep-Learning-CNN-Convolutional-Neural-Networks-with-Python اهمیت CNN در علم داده را درک کنید. دلایل تغییر بینایی کامپیوتری کلاسیک به CNN را بررسی کنید مفاهیم را از ابتدا با بازگشایی جامع با مثال هایی در پایتون بیاموزید بررسی تحولات CNN ها از LeNet (دهه 1990) تا MobileNets (دهه 2020) با نمونه هایی از آموزش CNN ها از ابتدا به CNN ها غواصی کنید برنامه های کاربردی خود را برای تأیید چهره انسان و انتقال سبک عصبی بسازید این دوره برای مبتدیان در علم داده و یادگیری عمیق طراحی شده است. هر فردی که بخواهد CNN را با مجموعه داده های واقعی در علم داده بیاموزد، CNN ها را همراه با اجرای آن در پروژه های واقع گرایانه بیاموزد و به گفتار داده های خود مسلط شود، از این دوره سود زیادی خواهد برد. هیچ دانش قبلی لازم نیست. شما از اصول اولیه شروع می کنید و به آرامی دانش خود را در مورد موضوع ایجاد می کنید. تمایل به یادگیری و تمرین تنها پیش نیاز این دوره است. از 75+ ویدیوهای ساده، جامع، رسا، همراه با دفترچه یادداشت کد دقیق بیاموزید * دوره ساختاریافته با درک پایه ای قوی و حرکت به سمت جلو با مفاهیم کاربردی پیشرفته * توضیح عملی و کدنویسی زنده با پایتون برای ساخت برنامه شخصی خود

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • بررسی اجمالی دوره Course Overview

  • معرفی مربی Introduction to Instructor

  • چرا CNN Why CNN

  • تمرکز دوره Focus of the Course

پردازش تصویر Image Processing

  • تصاویر در مقیاس خاکستری Gray-Scale Images

  • آزمون تصاویر در مقیاس خاکستری Gray-Scale Images Quiz

  • راه حل تصاویر در مقیاس خاکستری Gray-Scale Images Solution

  • تصاویر RGB RGB Images

  • آزمون تصاویر RGB RGB Images Quiz

  • راه حل تصاویر RGB RGB Images Solution

  • خواندن و نمایش تصاویر در پایتون Reading and Showing Images in Python

  • خواندن و نمایش تصاویر در آزمون پایتون Reading and Showing Images in Python Quiz

  • خواندن و نمایش تصاویر در راه حل پایتون Reading and Showing Images in Python Solution

  • تبدیل تصویر به مقیاس خاکستری در پایتون Converting an Image to Grayscale in Python

  • تبدیل تصویر به مقیاس خاکستری در آزمون پایتون Converting an Image to Grayscale in Python Quiz

  • تبدیل تصویر به مقیاس خاکستری در حل پایتون Converting an Image to Grayscale in Python Solution

  • شکل گیری تصویر Image Formation

  • آزمون تشکیل تصویر Image Formation Quiz

  • راه حل تشکیل تصویر Image Formation Solution

  • تار شدن تصویر 1 Image Blurring 1

  • آزمون تاری تصویر 1 Image Blurring 1 Quiz

  • راه حل تاری تصویر 1 Image Blurring 1 Solution

  • تاری تصویر 2 Image Blurring 2

  • آزمون تاری تصویر 2 Image Blurring 2 Quiz

  • راه حل تاری تصویر 2 Image Blurring 2 Solution

  • فیلتر کلی تصویر General Image Filtering

  • پیچیدگی Convolution

  • تشخیص لبه Edge Detection

  • وضوح تصویر Image Sharpening

  • پیاده سازی Image Blurring Edge Detection Sharpening تصویر در پایتون Implementation of Image Blurring Edge Detection Image Sharpening in Python

  • تشخیص شکل پارامتریک Parametric Shape Detection

  • پردازش تصویر Image Processing

  • فعالیت پردازش تصویر Image Processing Activity

  • راه حل فعالیت پردازش تصویر Image Processing Activity Solution

تشخیص شی Object Detection

  • مقدمه ای بر تشخیص اشیا Introduction to Object Detection

  • خط لوله طبقه بندی Classification Pipeline

  • آزمون خط لوله طبقه بندی Classification Pipeline Quiz

  • راه حل خط لوله طبقه بندی Classification Pipeline Solution

  • پیاده سازی پنجره کشویی Sliding Window Implementation

  • تغییر ناپذیری چرخش مقیاس تغییر Shift Scale Rotation Invariance

  • تمرین تغییر ناپذیر چرخش مقیاس تغییر Shift Scale Rotation Invariance Exercise

  • تشخیص شخص Person Detection

  • ویژگی های HOG HOG Features

  • تمرین ویژگی های HOG HOG Features Exercise

  • مهندسی دست در مقابل CNN ها Hand Engineering Versus CNNs

  • فعالیت تشخیص شی Object Detection Activity

نمای کلی شبکه عصبی عمیق Deep Neural Network Overview

  • نورون و پرسپترون Neuron and Perceptron

  • معماری DNN DNN Architecture

  • آزمون معماری DNN DNN Architecture Quiz

  • راه حل معماری DNN DNN Architecture Solution

  • FeedForward FullyConnected MLP FeedForward FullyConnected MLP

  • محاسبه تعداد وزن DNN Calculating Number of Weights of DNN

  • محاسبه تعداد وزن آزمون DNN Calculating Number of Weights of DNN Quiz

  • محاسبه تعداد وزن راه حل DNN Calculating Number of Weights of DNN Solution

  • تعداد نورون ها در مقابل تعداد لایه ها Number of Neurons Versus Number of Layers

  • یادگیری افتراقی در مقابل یادگیری مولد Discriminative Versus Generative Learning

  • قضیه تقریب جهانی Universal Approximation Theorem

  • چرا عمق Why Depth

  • مرز تصمیم در DNN Decision Boundary in DNN

  • مرز تصمیم در آزمون DNN Decision Boundary in DNN Quiz

  • مرز تصمیم در راه حل DNN Decision Boundary in DNN Solution

  • BiasTerm BiasTerm

  • مسابقه بیاس ترم BiasTerm Quiz

  • راه حل BiasTerm BiasTerm Solution

  • تابع فعال سازی Activation Function

  • آزمون عملکرد فعال سازی Activation Function Quiz

  • راه حل عملکرد فعال سازی Activation Function Solution

  • پارامترهای آموزشی DNN DNN Training Parameters

  • آزمون پارامترهای آموزشی DNN DNN Training Parameters Quiz

  • راه حل پارامترهای آموزشی DNN DNN Training Parameters Solution

  • گرادیان نزول Gradient Descent

  • پس انتشار Backpropagation

  • آموزش انیمیشن DNN Training DNN Animation

  • وزن اولیه Weight Initialization

  • آزمون تعیین وزن Weight Initialization Quiz

  • راه حل اولیه سازی وزن Weight Initialization Solution

  • نزول گرادیان تصادفی دسته ای MiniBatch Batch MiniBatch Stochastic Gradient Descent

  • عادی سازی دسته ای Batch Normalization

  • Rprop و Momentum Rprop and Momentum

  • مسابقه Rprop و Momentum Rprop and Momentum Quiz

  • راه حل Rprop و Momentum Rprop and Momentum Solution

  • انیمیشن همگرایی Convergence Animation

  • انصراف، توقف زودهنگام و فراپارامترها DropOut, Early Stopping and Hyperparameters

  • امتحان ترک تحصیل، توقف زودهنگام و فراپارامترها DropOut, Early Stopping and Hyperparameters Quiz

  • راه حل حذف، توقف زودهنگام و فراپارامترها DropOut, Early Stopping and Hyperparameters Solution

معماری شبکه عصبی عمیق Deep Neural Network Architecture

  • پیچیدگی بازبینی شد Convolution Revisited

  • پیاده سازی Convolution در Python Revisited Implementing Convolution in Python Revisited

  • چرا پیچیدگی Why Convolution

  • فیلترها گام های بالشتکی Filters Padding Strides

  • تصویر پد Padding Image

  • تانسورهای ترکیبی Pooling Tensors

  • مثال CNN CNN Example

  • پیچیدگی و ادغام جزئیات Convolution and Pooling Details

  • تمرین MaxPooling MaxPooling Exercise

  • پیاده سازی های غیربردار Conv2d و Pool2d NonVectorized Implementations of Conv2d and Pool2d

  • فعالیت معماری شبکه عصبی عمیق Deep Neural Network Architecture Activity

Gradient Descent در CNN ها Gradient Descent in CNNs

  • راه اندازی مثال Example Setup

  • چرا مشتقات Why Derivatives

  • چرا آزمون مشتقات Why Derivatives Quiz

  • چرا راه حل مشتقات Why Derivatives Solution

  • قانون زنجیره ای چیست What Is Chain Rule

  • اعمال قانون زنجیره ای Applying Chain Rule

  • گرادیان لایه MaxPooling Gradients of MaxPooling Layer

  • گرادیان آزمون لایه MaxPooling Gradients of MaxPooling Layer Quiz

  • گرادیان های محلول لایه MaxPooling Gradients of MaxPooling Layer Solution

  • گرادیان های لایه کانولوشن Gradients of Convolutional Layer

  • گسترش به چندین فیلتر Extending to Multiple Filters

  • گسترش به چند لایه Extending to Multiple Layers

  • بسط دادن به آزمون چند لایه Extending to Multiple Layers Quiz

  • گسترش راه حل چند لایه Extending to Multiple Layers Solution

  • پیاده سازی در NumPy ForwardPass Implementation in NumPy ForwardPass

  • پیاده سازی در NumPy BackwardPass 1 Implementation in NumPy BackwardPass 1

  • پیاده سازی در NumPy BackwardPass 2 Implementation in NumPy BackwardPass 2

  • پیاده سازی در NumPy BackwardPass 3 Implementation in NumPy BackwardPass 3

  • پیاده سازی در NumPy BackwardPass 4 Implementation in NumPy BackwardPass 4

  • پیاده سازی در NumPy BackwardPass 5 Implementation in NumPy BackwardPass 5

  • نزول گرادیان در فعالیت CNN Gradient Descent in CNNs Activity

مقدمه ای بر TensorFlow Introduction to TensorFlow

  • مقدمه ای بر TensorFlow Introduction to TensorFlow

  • شبکه عصبی طرح مثال FashionMNIST FashionMNIST Example Plan Neural Network

  • FashionMNIST مثال CNN FashionMNIST Example CNN

  • مقدمه ای بر فعالیت تنسورفلو Introduction to TensorFlow Activity

CNN های کلاسیک Classical CNNs

  • LeNet LeNet

  • مسابقه LeNet LeNet Quiz

  • راه حل LeNet LeNet Solution

  • الکس نت AlexNet

  • VGG VGG

  • InceptionNet InceptionNet

  • گوگل لنت GoogLeNet

  • Resnet Resnet

  • فعالیت CNN های کلاسیک Classical CNNs Activity

آموزش انتقالی Transfer Learning

  • یادگیری انتقالی چیست؟ What Is Transfer learning

  • چرا آموزش انتقال Why Transfer Learning

  • چالش ImageNet ImageNet Challenge

  • نکات کاربردی Practical Tips

  • پروژه در TensorFlow Project in TensorFlow

  • فعالیت یادگیری انتقالی Transfer Learning Activity

یولو YOLO

  • طبقه بندی تصویر بازبینی شد Image Classification Revisited

  • محلی سازی شیء پنجره کشویی Sliding Window Object Localization

  • اجرای کارآمد پنجره کشویی Sliding Window Efficient Implementation

  • مقدمه YOLO YOLO Introduction

  • تولید داده های آموزشی YOLO YOLO Training Data Generation

  • جعبه های لنگر YOLO YOLO Anchor Boxes

  • الگوریتم YOLO YOLO Algorithm

  • سرکوب غیر ماکسیما YOLO YOLO Non-Maxima Suppression

  • RCNN RCNN

  • فعالیت YOLO YOLO Activity

تأیید چهره Face Verification

  • راه اندازی مشکل Problem Setup

  • اجرای پروژه Project Implementation

  • فعالیت تأیید چهره Face Verification Activity

انتقال سبک عصبی Neural Style Transfer

  • راه اندازی مشکل Problem Setup

  • پیاده سازی TensorFlow Hub Implementation TensorFlow Hub

  • با تشکر و نتیجه گیری Thank You and Conclusion

نمایش نظرات

یادگیری عمیق CNN: شبکه های عصبی کانولوشن با پایتون [ویدئو]
جزییات دوره
15 h 26 m
152
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
AI Sciences
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

AI Sciences AI Sciences

کارشناسان هوش مصنوعی و دانشمندان داده | رتبه ۴+ | 168+ کشور