آموزش یادگیری عمیق - بینایی کامپیوتر برای مبتدیان با استفاده از PyTorch [ویدئو]

Deep Learning - Computer Vision for Beginners Using PyTorch [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: توجه: این دوره در درجه اول بر آموزش PyTorch و یادگیری عمیق برای بینایی کامپیوتر متمرکز است، اما همچنین شامل چند بخش در مبانی پایتون است (بخش‌های 8-12). این بخش‌های یادگیری اختیاری برای افرادی طراحی شده‌اند که ممکن است در پایتون جدید باشند یا می‌خواهند دانش خود را از اصول پایتون به‌روزرسانی کنند. در این دوره، ابتدا با درک اصول PyTorch، یک روش گام به گام را در پیش خواهیم گرفت. سپس با استفاده از راهنمای دریافت GPU رایگان برای یادگیری، نحوه کدنویسی در GPU را یاد خواهید گرفت. سپس با ویژگی AutoGrad PyTorch و نحوه استفاده از آن آشنا خواهید شد. بعداً، نحوه استفاده از PyTorch را برای ایجاد مدل‌های یادگیری عمیق و درک اصول شبکه‌های عصبی کانولوشنال (CNN) خواهید آموخت. همچنین یاد خواهید گرفت که چگونه از CNN با مجموعه داده های واقعی استفاده کنید. علاوه بر این، این دوره بر اصول اساسی تأکید می کند و زمینه را برای درک پایتون فراهم می کند. همچنین در مورد سه کتابخانه مهم پایتون به نام‌های NumPy، Pandas و Matplotlib صحبت خواهیم کرد. در این بخش از دوره، ما همچنین یک پروژه کوچک خواهیم ساخت که در آن یک بازی جلاد را در پایتون می سازیم. در پایان این دوره، ما قادر به انجام وظایف Computer Vision با یادگیری عمیق خواهیم بود. تمام منابع این دوره در دسترس است: https://github.com/PacktPublishing/Deep-Learning---Computer-Vision-for-Beginners-Using-PyTorch یاد بگیرید چگونه با PyTorch کار کنید. ایجاد شهود در عملیات کانولوشن روی تصاویر پیاده سازی گرادیان نزول با استفاده از AutoGrad با معماری LeNet آشنا شوید یک بازی پروژه مینی پایتون بسازید نحوه استفاده از کتابخانه های NumPy، Pandas و Matplotlib را بدانید توسعه دهندگان نرم افزار، متخصصان یادگیری ماشین، دانشمندان داده و هر کس دیگری که علاقه مند به درک PyTorch و یادگیری عمیق است باید این دوره را بگذراند. در حالی که دانش پایه پایتون مفید خواهد بود، اما پیش نیاز نیست زیرا در طول دوره به آموزش اصول لازم خواهیم پرداخت. یاد بگیرید که چگونه وظایف Computer Vision را با یادگیری عمیق انجام دهید * آموزش پیاده سازی معماری LeNet بر روی مجموعه داده CIFAR10 که 60000 تصویر دارد * پایه برنامه نویسی خود را با پایتون بسازید.

سرفصل ها و درس ها

خوش آمدید Welcome Aboard

  • معرفی دوره Course Introduction

  • چرا PyTorch قدرتمند است؟ Why Is PyTorch Powerful?

مقدمه ای بر PyTorch و Tensors Introduction to PyTorch and Tensors

  • PyTorch چیست What Is PyTorch

شیرجه رفتن در PyTorch Diving into PyTorch

  • در حال نصب PyTorch Installing PyTorch

  • ایجاد تنسور در PyTorch Create Tensors in PyTorch

  • برش تانسور و تغییر شکل Tensor Slicing and Reshape

  • عملیات ریاضی روی تانسورها Mathematical Operations on Tensors

  • NumPy در PyTorch NumPy in PyTorch

  • CUDA چیست؟ What Is CUDA

  • PyTorch در GPU PyTorch on GPU

AutoGrad در PyTorch AutoGrad in PyTorch

  • AutoGrad در PyTorch AutoGrad in PyTorch

  • AutoGrad در یک حلقه AutoGrad in a Loop

ایجاد شبکه های عصبی عمیق در PyTorch Creating Deep Neural Networks in PyTorch

  • ساخت اولین شبکه عصبی Building the First Neural Network

  • نوشتن یک شبکه عصبی عمیق Writing a Deep Neural Network

  • نوشتن یک ماژول NN سفارشی Writing a Custom NN Module

CNN در PyTorch CNN in PyTorch

  • بارگذاری داده - CIFAR10 Data Loading - CIFAR10

  • تجسم داده ها Data Visualization

  • CNN خلاصه CNN Recap

  • اولین CNN First CNN

  • لایه های عمیق CNN CNN Deep Layers

معماری LeNet در PyTorch LeNet Architecture in PyTorch

  • بررسی اجمالی LeNet LeNet Overview

  • مدل LeNet در PyTorch LeNet Model in PyTorch

  • آماده سازی و ارزیابی Preparation and Evaluation

یادگیری اختیاری - مبانی پایتون Optional Learning - Python Basics

  • چرا هر زبان برنامه نویسی را یاد بگیریم Why Learn Any Programming Language

  • چرا پایتون را انتخاب کنید Why Choose Python

  • نصب نوت بوک Jupyter Installing Jupyter Notebook

  • نوت بوک Jupyter - نکات و ترفندها Jupyter Notebook - Tips and Tricks

  • آنچه ما در این بخش پوشش خواهیم داد What We Will Cover in This Section

  • متغیرها در پایتون Variables in Python

  • عملکرد چاپ Print Function

  • انواع داده های عددی و عملیات حسابی در پایتون Numerical Data Types and Arithmetic Operations in Python

  • نوع داده رشته ای String Data Type

  • نوع داده بولی Boolean Data Type

  • تبدیل نوع و ریخته گری نوع Type Conversion and Type Casting

  • اضافه کردن نظرات به زبان برنامه نویسی پایتون Adding Comments in Python Programming Language

  • ساختارهای داده در پایتون Data Structures in Python

  • تاپل ها و مجموعه ها در پایتون Tuples and Sets in Python

  • دیکشنری های پایتون Python Dictionaries

  • دستورات شرطی در پایتون - if Conditional Statements in Python - if

  • عبارات شرطی در پایتون - while Conditional Statements in Python - While

  • توابع داخلی در پایتون - محدوده و ورودی Inbuilt Functions in Python - range and input

  • برای حلقه ها For Loops

  • توابع در پایتون Functions in Python

  • کلاس ها در پایتون Classes in Python

یادگیری اختیاری - پروژه کوچک با اصول پایتون Optional Learning - Mini Project with Python Basics

  • مینی پروژه - جلاد Mini Project - Hangman

  • نوشتن یک کلاس Writing a Class

  • مینی پروژه - ادامه دارد Mini Project - Continued

  • ساختمان منطق Logic Building

  • منطق برای ورودی تک حرفی Logic for Single-Letter input

  • تست نهایی Final Testing

یادگیری اختیاری - پایتون برای علم داده - با NumPy Optional Learning - Python for Data Science – with NumPy

  • NumPy NumPy

  • تغییر اندازه و تغییر شکل آرایه ها Resize and Reshape Arrays

  • برش دادن Slicing

  • صدا و سیما Broadcasting

  • عملیات و توابع ریاضی در NumPy Mathematical Operations and Functions in NumPy

یادگیری اختیاری - پایتون برای علم داده - با پانداها Optional Learning - Python for Data Science – with Pandas

  • کتابخانه پانداها Pandas Library

  • چارچوب داده پاندا Pandas Dataframe

  • Pandas Dataframe - بارگیری از فایل خارجی Pandas Dataframe - Load from External File

  • کار با مقادیر پوچ Working with Null Values

  • Slicing Pandas Dataframe Slicing Pandas Dataframe

  • انتساب Imputation

یادگیری اختیاری - پایتون برای علم داده - با Matplotlib Optional Learning - Python for Data Science – with Matplotlib

  • مقدمه Matplotlib Matplotlib Introduction

  • طرح را قالب بندی کنید Format the Plot

  • قالب بندی پلات و طرح پراکندگی Plot Formatting and Scatter Plot

  • هیست پلات Histplot

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری عمیق - بینایی کامپیوتر برای مبتدیان با استفاده از PyTorch [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
7 h 14 m
65
Packtpub packtpub-small
25 اسفند 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Manifold AI Learning Manifold AI Learning

Manifold AI Learning یک آکادمی آنلاین با هدف توانمندسازی دانش‌آموزان با دانش و مهارت‌هایی است که می‌تواند مستقیماً برای حل مشکلات دنیای واقعی در علم داده، یادگیری ماشین و هوش مصنوعی به کار رود. با یک برنامه درسی تنظیم شده و یک راهنمای عملی، شما همیشه یک حرفه ای آماده برای صنعت خواهید بود.

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.