آموزش جامع هوش مصنوعی، یادگیری عمیق و بینایی کامپیوتر با پایتون - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

• مقدمه ای بر یادگیری عمیق در مقابل یادگیری ماشین Introduction to Deep Learning vs Machine Learning

• بلوک های سازنده یادگیری عمیق - نورون های مصنوعی Building Blocks of Deep Learning - Artificial Neurons

پرسپترون یا نورون مصنوعی Perceptron or Artificial Neuron

• پرسپترون یا نورون مصنوعی Perceptron or Artificial Neuron

• مدل گیت OR با استفاده از پرسپترون OR Gate Model using Perceptron

• مدل گیت AND با استفاده از پرسپترون AND Gate Model using Perceptron

• محدودیت پرسپترون یا نورون های منفرد Limitation of Perceptron or Single Neurons

• Colab برای نوشتن کد پایتون Colab for Writing Python Code

شبکه های عصبی کانولوشن با پایتون از ابتدا Convolutional Neural Networks with Python from Scratch

• مقدمه ای بر شبکه های عصبی کانولوشن (CNNs) Introduction to Convolutional Neural Networks (CNNs)

• کدنویسی شبکه های عصبی کانولوشن از ابتدا با پایتون Coding Convolutional Neural Networks from Scratch with Python

• توسعه CNN با پایتون و کد Pytroch از ابتدا Develop CNN with Python and Pytroch Code from Scratch

• مجموعه داده و افزایش آن Dataset and its Augmentation

• کد Pytorch برای بارگیری و افزایش داده Pytorch Code for Data Loading and Augmentation

• بهینه سازی ابرپارامترها برای شبکه های عصبی کانولوشن Hyperparameters Optimization For Convolutional Neural Networks

• بهینه سازی CNN با Pytorch و کد پایتون CNN Optimization with Pytorch and Python Code

• آموزش شبکه عصبی کانولوشن از ابتدا Training Convolutional Neural Network from Scratch

• آموزش CNN با پایتون و کد Pytorch CNN Training with Python and Pytorch Code

• اعتبارسنجی شبکه عصبی کانولوشن روی تصاویر آزمایشی Validating Convolutional Neural Network on Test Images

• تست CNN با Pytorch و کد پایتون CNN Testing with Pytorch and Python Code

• معیارهای عملکرد (دقت، صحت، فراخوانی، امتیاز F1) برای ارزیابی CNN ها Performance Metrics (Accuracy, Precision, Recall, F1 Score) to Evaluate CNNs

• مصور سازی ماتریس درهم ریختگی و محاسبه صحت، فراخوانی و امتیاز F1 Visualize Confusion Matrix and Calculate Precision, Recall, and F1 Score

• محاسبه معیارهای عملکرد با پایتون و کد Pytorch Performance Metrics Calculation with Python and Pytorch Code

• منابع: کد پایتون برای شبکه های عصبی کانولوشن از ابتدا Resources: Python Code for Convolutional Neural Networks from Scratch

شبکه های عصبی کانولوشن عمیق با پایتون و Pytroch Deep Convolutional Neural Networks with Python and Pytroch

• کدنویسی DEEP CNN از ابتدا برای طبقه بندی تصاویر Coding DEEP CNN from Scratch for Image Classification

• بهینه سازی، آموزش و تست Deep CNN با عملکرد بهبود یافته Optimize, Train and Test Deep CNN with Improved Performance

• کد Deep CNN پایتون و Pytroch Deep CNN Python and Pytroch Code

مدل های از پیش آموزش داده شده یادگیری عمیق با پایتون Deep Learning Pretrained Models with Python

• اهمیت مدل های از پیش آموزش داده شده یادگیری عمیق PreTrained Deep Learning Models Importance

• معماری های Deep Learning ResNet و AlexNet Deep Learning ResNet and AlexNet Architectures

• خواندن داده از Google Drive به Colab Notebook Read Data from Google Drive to Colab Notebook

• انجام پیش پردازش داده Perform Data Preprocessing

• استفاده از مدل های از پیش آموزش داده شده ResNet و AlexNet Use ResNet and AlexNet PreTrained Models

• کد پایتون برای ResNet و AlexNet از پیش آموزش داده شده Python Code for Pretrained ResNet and AlexNet

یادگیری انتقالی با پایتون Transfer Learning with Python

• چرا یادگیری انتقالی؟ Why Transfer Learning?

• افزایش داده، بارکننده داده و تابع آموزش Data Augmentation, Dataloaders, and Training Function

• تنظیم دقیق مدل Deep ResNet FineTuning Deep ResNet Model

• بهینه سازی ابرپارامترهای مدل ResNet Optimization of ResNet Model HyperParameteres

• آموزش مدل Deep ResNet Deep ResNet Model Training

• مدل Deep ResNet به عنوان استخراج کننده ویژگی ثابت Deep ResNet Model as Fixed Feature Extractor

• نتایج و آموزش مدل به عنوان استخراج کننده ویژگی ثابت Results and Training of Model as Fixed Feature Extractor

• کد برای یادگیری انتقالی با تنظیم دقیق و استخراج کننده ویژگی مدل Code for Transfer Learning by FineTuning and Model Feature Extractor

یادگیری عمیق برای تشخیص اشیاء روی مجموعه داده سفارشی Deep Learning for Object Detection on Custom Dataset

• مقدمه ای بر تشخیص اشیاء Introduction to Object Detection

• مروری بر CNN، RCNN، Fast RCNN و Faster RCNN Overview of CNN, RCNN, Fast RCNN, and Faster RCNN

• Detectron2 برای تشخیص اشیاء با PyTorch Detectron2 for Ojbect Detection with PyTorch

• انجام تشخیص اشیاء با استفاده از مدل های از پیش آموزش داده شده Detectron2 Perform Object Detection using Detectron2 Pretrained Models

• کد پایتون و PyTorch برای تشخیص اشیاء با استفاده از Detectron2 Python and PyTorch Code for Object Detection using Detectron2

• مجموعه داده سفارشی برای تشخیص اشیاء Custom Dataset for Object Detection

• مجموعه داده بالون Balloon Dataset

• آموزش، ارزیابی مدل های تشخیص اشیاء و تجسم نتایج روی مجموعه داده سفارشی Train, Evaluate Object Detection Models & Visualizing Results on Custom Dataset

• کد پایتون و Pytroch برای تشخیص اشیاء روی مجموعه داده سفارشی Python and Pytroch Code for Object Detection On Custom Dataset

یادگیری عمیق برای تشخیص اشیاء ویدئویی Deep Learning for Video Object Detection

• YOLO چیست؟ What is YOLO ?

• YOLO چگونه برای تشخیص اشیاء کار می کند؟ How YOLO works for Object Detection ?

• معرفی و معماری YOLOv8 YOLOv8 Introduction and Architecture

• مجموعه داده سفارشی تشخیص وسایل نقلیه Custom Vehicles Detection Dataset

• تنظیمات ابرپارامترها برای YOLO8 HyperParameters Settings for YOLO8

• آموزش YOLO8 روی مجموعه داده وسایل نقلیه Training YOLO8 on Vehicles Dataset

• تست YOLO8 روی فیلم ها و تصاویر Testing YOLO8 on Videos and Images

• محاسبه معیارهای عملکرد (صحت، فراخوانی، میانگین دقت میانگین mAP) Calculate Performance Metrics (Precision, Recall, Mean Average Precision mAP)

• استقرار YOLO8 Deploy YOLO8

• منابع: فیلم ها کد کامل و مجموعه داده تشخیص وسایل نقلیه Resources: Videos Vehicles Detection Complete Code and Dataset

یادگیری عمیق برای تخمین حالت بدن با پایتون Deep Learning for Pose Estimation with Python

• مقدمه ای بر تخمین حالت بدن Introduction to Pose Estimation

• تخمین حالت بدن و تشخیص نقاط کلیدی با پایتون Pose Estimation and Key Points Detection with Python

• مجموعه داده تخمین حالت بدن Pose Estimation Dataset

• کد تخمین حالت بدن روی مجموعه داده سفارشی Pose Estimation Code on Custom Dataset

یادگیری عمیق برای بخش بندی نمونه Deep Learning for Instance Segmentation

• بخش بندی نمونه چیست What is Instance Segmentation

• معماری یادگیری عمیق Mask RCNN برای بخش بندی نمونه Deep Learning Architecture Mask RCNN for Instance Segmentation

• کتابخانه PyTorch فیس بوک بخش بندی نمونه Instance Segmentation PyTorch Facebook Library

• مجموعه داده سفارشی برای بخش بندی نمونه Custom Dataset for Instance Segmentation

• آموزش، ارزیابی و تجسم بخش بندی نمونه روی مجموعه داده سفارشی Train, Evaluate & Visualize Instance Segmentation on Custom Dataset

• منابع: کد و مجموعه داده برای بخش بندی نمونه Resources: Code and Dataset for Instance Segmentation

یادگیری عمیق برای بخش بندی معنایی Deep Learning for Semantic Segmentation

• مقدمه ای بر بخش بندی معنایی Introduction to Semantic Segmentation

• کاربردهای واقعی بخش بندی معنایی Semantic Segmentation Real-world Applications

• شبکه تجزیه صحنه هرمی برای بخش بندی Pyramid Scene Parsing Network for Segmentation

• معماری UNet برای بخش بندی UNet Architecture for Segmentation

• شبکه توجه هرمی برای بخش بندی Pyramid Attention Network for Segmentation

• شبکه زمینه ای چند وظیفه ای برای بخش بندی Multi-Task Contextual Network for Segmentation

• مجموعه داده ها برای بخش بندی معنایی Datasets for Semantic Segmentation

• ابزار حاشیه نویسی داده برای بخش بندی معنایی Data Annotations Tool for Semantic Segmentation

• مجموعه داده برای بخش بندی معنایی Dataset for Semantic Segmentation

• بارگیری داده با کلاس مجموعه داده سفارشی Pytorch Data Loading with PyTorch Customized Dataset Class

• افزایش داده با استفاده از Albumentations با تبدیل های مختلف Data Augmentation using Albumentations with different Transformations

• پیاده سازی بارکننده داده در Pytorch Data Loaders Implementation in Pytorch

• معیارهای عملکرد (IOU، دقت پیکسل) برای ارزیابی مدل های بخش بندی Performance Metrics (IOU, Pixel Accuracy) for Segmentation Models Evaluation

• یادگیری انتقالی با معماری Deep Resnet Learn Transfer Learning with Deep Resnet Architecture

• رمزگذارها برای بخش بندی در PyTorch Encoders for Segmentation in PyTorch

• رمزگشاها برای بخش بندی در PyTorch Decoders for Segmentation in PyTorch

• پیاده سازی مدل های بخش بندی (UNet، PSPNet، DeepLab، PAN، UNet++) Implement Segmentation Models (UNet, PSPNet, DeepLab, PAN, UNet++)

• بهینه سازی ابرپارامترهای مدل های بخش بندی Hyperparameters Optimization of Segmentation Models

• آموزش مدل های بخش بندی Training of Segmentation Models

• تست و استقرار مدل های بخش بندی و محاسبه IOU، دقت، Fscore کلاس بندی شده Test & Deploy Segmentation Models and Calculate Class-wise IOU, Accuracy, Fscore

• تجسم نتایج بخش بندی و تولید نقشه بخش بندی خروجی RGB Visualize Segmentation Results and Generate RGB Output Segmentation Map

• منابع: کد و مجموعه داده بخش بندی با یادگیری عمیق Resources: Code and Dataset of Segmentation with Deep Learning

سخنرانی جایزه: ردیابی اشیاء ویدئویی، تشخیص و تخمین سرعت خودرو پایتون Bonus Lecture: Video Object Tracking, Detection, & Car Speed Estimation Python

• ردیابی اشیاء ویدئویی، تشخیص، تخمین سرعت خودرو و تخمین حالت بدن پایتون Video Object Tracking, Detection, Car Speed Estimation, & Pose Estimation Python