آموزش هوش مصنوعی بصری داده‌محور (Hands-on Data Centric Visual AI) - آخرین آپدیت

دانلود Hands-on Data Centric Visual AI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره جامع، یک راهنمای عملی برای توسعه و نگهداری مجموعه‌داده‌های باکیفیت برای کاربردهای هوش مصنوعی بصری (Visual AI) است. فراگیران دانش عمیق و مهارت‌های کاربردی در زمینه‌های زیر کسب خواهند کرد: شناسایی و پیاده‌سازی روش‌های مختلف برچسب‌گذاری، از متدهای دستی تا کاملاً خودکار؛ ارزیابی و بهبود کیفیت حاشیه‌نویسی (Annotation) برای وظایف تشخیص اشیاء، شامل شناسایی و اصلاح مشکلات رایج برچسب‌گذاری؛ تحلیل تأثیر کیفیت جعبه‌های محصورکننده (Bounding Box) بر عملکرد مدل و تدوین استراتژی‌هایی برای افزایش سازگاری برچسب‌ها؛ استفاده از ابزارهای پیشرفته‌ای مانند FiftyOne و CVAT برای کاوش در مجموعه‌داده، اصلاح خطاها و بهینه‌سازی حاشیه‌نویسی؛ مقابله با چالش‌های پیچیده در بینایی ماشین مانند تشخیص‌های هم‌پوشان، انسدادها (Occlusions) و تشخیص اشیاء کوچک؛ پیاده‌سازی تکنیک‌های افزایش داده (Data Augmentation) برای بهبود استحکام و تعمیم‌پذیری مدل؛ و به‌کارگیری مفاهیمی مانند سختی نمونه (Sample Hardness) و آنتروپی در زمینه آموزش مدل و سازماندهی مجموعه‌داده. دانشجویان از طریق ترکیبی از دانش نظری و تمرینات عملی، یاد می‌گیرند چگونه مجموعه‌داده‌هایی را ایجاد، نگهداری و بهینه کنند که منجر به مدل‌های هوش مصنوعی بصری دقیق‌تر و قابل‌اعتمادتری شود.

سرفصل ها و درس ها

شروع کار و پارادایم هوش مصنوعی داده‌محور Getting Started and the Data-Centric AI Paradigm

  • معرفی ماژول اول Module 1 Introduction

  • مقدمه‌ای بر هوش مصنوعی داده‌محور - بخش اول Introduction to Data Centric AI - Part 1

  • مقدمه‌ای بر هوش مصنوعی داده‌محور - بخش دوم Introduction to Data Centric AI - Part 2

  • درک چرخه بازخورد داده و مدل - بخش اول Understanding the Data and Model Feedback Loop - Part 1

  • درک چرخه بازخورد داده و مدل - بخش دوم Understanding the Data and Model Feedback Loop - Part 2

  • درک مجموعه‌داده‌های هوش مصنوعی بصری - بخش اول Understanding Visual AI Datasets - Part 1

  • درک مجموعه‌داده‌های هوش مصنوعی بصری - بخش دوم Understanding Visual AI Datasets - Part 2

  • دوره فشرده تشخیص اشیاء - بخش اول A Crash Course in Object Detection - Part 1

  • دوره فشرده تشخیص اشیاء - بخش دوم A Crash Course in Object Detection - Part 2

  • دوره فشرده تشخیص اشیاء - بخش سوم A Crash Course in Object Detection - Part 3

  • معیارهای ارزیابی برای تشخیص اشیاء - بخش اول Evaluation Metrics for Object Detection - Part 1

  • معیارهای ارزیابی برای تشخیص اشیاء - بخش دوم Evaluation Metrics for Object Detection - Part 2

  • شروع کار با FiftyOne - بخش اول Getting Started with FiftyOne - Part 1

  • شروع کار با FiftyOne - بخش دوم Getting Started with FiftyOne - Part 2

  • ارزیابی عملکرد مدل پایه Evaluating Baseline Model Performance

کیفیت تصویر و تأثیر آن بر عملکرد مدل Image Quality and Its Impact on Model Performance

  • معرفی ماژول دوم Module 2 Introduction

  • کاوش در مجموعه‌داده با FiftyOne - بخش اول Exploring Your Dataset with FiftyOne - Part 1

  • کاوش در مجموعه‌داده با FiftyOne - بخش دوم Exploring Your Dataset with FiftyOne - Part 2

  • تحلیل کیفیت تصویر - بخش اول Analyzing Image Quality - Part 1

  • تحلیل کیفیت تصویر - بخش دوم Analyzing Image Quality - Part 2

  • تحلیل کیفیت تصویر با FiftyOne Analyzing Image Quality with FiftyOne

  • شناسایی داده‌های پرت در مجموعه‌داده Detecting Outliers in Your Dataset

  • بخش دوم: شناسایی داده‌های پرت با FiftyOne Part 2: Detecting Outliers with FiftyOne

  • یافتن داده‌های تکراری و تقریباً تکراری Finding Duplicates and Near Duplicates

  • یافتن داده‌های تکراری و تقریباً تکراری با FiftyOne Finding Duplicates and Near Duplicates with FiftyOne

  • امتیازات معنایی و تنوع صحنه Semantic Scores and Scene Diversity

  • امتیازات معنایی و تنوع صحنه در FiftyOne - بخش اول Semantic Scores and Scene Diversity in FiftyOne - Part 1

  • امتیازات معنایی و تنوع صحنه در FiftyOne - بخش دوم Semantic Scores and Scene Diversity in FiftyOne - Part 2

  • توسعه استراتژی هوش مصنوعی داده‌محور - بخش اول Developing a Data Centric AI Strategy - Part 1

  • توسعه استراتژی هوش مصنوعی داده‌محور - بخش دوم Developing a Data Centric AI Strategy - Part 2

  • توسعه استراتژی هوش مصنوعی داده‌محور - بخش سوم Developing a Data Centric AI Strategy - Part 3

  • درس هفتم: ردیابی آزمایش‌ها Lesson 7: Tracking Experiments

کیفیت برچسب و تأثیر آن بر عملکرد مدل Label Quality and Its Impact on Model Performance

  • معرفی ماژول سوم Module 3 Introduction

  • برچسب‌گذاری مجموعه‌داده‌های هوش مصنوعی بصری - بخش اول Labeling of Visual AI Datasets - Part 1

  • برچسب‌گذاری مجموعه‌داده‌های هوش مصنوعی بصری - بخش دوم Labeling of Visual AI Datasets - Part 2

  • مدیریت مشکلات برچسب‌گذاری - بخش اول Handling Labeling Issues - Part 1

  • مدیریت مشکلات برچسب‌گذاری - بخش دوم Handling Labeling Issues - Part 2

  • تشخیص‌های هم‌پوشان و انسدادها - بخش اول Overlapping Detections and Occlusions - Part 1

  • تشخیص‌های هم‌پوشان و انسدادها - بخش دوم Overlapping Detections and Occlusions - Part 2

  • تشخیص‌های هم‌پوشان و انسدادها - بخش سوم Overlapping Detections and Occlusions - Part 3

  • تشخیص‌های هم‌پوشان و انسدادها - بخش چهارم Overlapping Detections and Occlusions - Part 4

  • مدیریت اشیاء کوچک Handling Small Objects

  • استفاده از SAHI در FiftyOne Using SAHI in FiftyOne

جمع‌بندی و اجرای نهایی Putting It All Together

  • معرفی ماژول چهارم Module 4 Introduction

  • بازاندیشی در ارزیابی تشخیص اشیاء Rethinking Object Detection Evaluation

  • یافتن آستانه اطمینان بهینه Finding the Optimal Confidence Threshold

  • مقایسه مدل‌ها Model Comparison

  • جمع‌بندی دوره Course Summary

نمایش نظرات

آموزش هوش مصنوعی بصری داده‌محور (Hands-on Data Centric Visual AI)
جزییات دوره
15h 42m
48
(آخرین آپدیت)
992
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Harpreet Sahota Harpreet Sahota

کارشناس یادگیری عمیق، دانشمند داده، مدیر روابط با برنامه نویس

Harpreet Sahota یک متخصص یادگیری عمیق، دانشمند داده، و مدیر روابط با توسعه دهنده است.

Harpreet در حال حاضر به عنوان یک مدیر روابط با توسعه دهنده کار می کند. مدیر روابط با توسعه دهندگان یادگیری عمیق در Deci AI، به جامعه توسعه دهندگان قدرت می دهد تا با استفاده از پلت فرم یادگیری عمیق Deci، یادگیری عمیق را بر روی هر نوع سخت افزاری ایجاد و استقرار دهند. او میزبان پادکست هنرمندان علم داده است، جایی که او به مخاطبان هزاران دانشمند داده که در مراحل اولیه شغلی هستند راهنمایی می کند و راهنمایی های فنی و حرفه ای در مورد مشاغل در این زمینه ارائه می دهد. در طول سال‌ها، هارپریت در نقش‌های رهبری ارشد مختلفی از جمله مدافع توسعه‌دهنده، مربی اصلی علم داده و دانشمند ارشد داده خدمت کرده است. او دارای مدرک کارشناسی ارشد علوم ریاضی و آمار از دانشگاه ایالتی ایلینوی است.