آموزش شبکه های عصبی کانولوشن در پایتون: CNN Computer Vision
Convolutional Neural Networks in Python: CNN Computer Vision
آنچه یاد خواهید گرفت
-
درک کاملی از شبکه های عصبی کانولوشن (CNN) و یادگیری عمیق داشته باشید
-
ساخت یک پروژه انتها به انتها برای تشخیص تصویر در پایتون
-
استفاده از کتابخانه های Keras و Tensorflow را بیاموزید
-
از شبکه های عصبی مصنوعی (ANN) برای پیش بینی استفاده کنید
-
از Pandas DataFrames برای دستکاری داده ها و انجام محاسبات آماری استفاده کنید.
شما به دنبال یک دوره کامل شبکه عصبی کانولوشن (CNN) هستید که همه چیزهایی را که برای ایجاد یک مدل تشخیص تصویر در پایتون نیاز دارید به شما آموزش دهد، درست است؟
شما دوره مناسب شبکه های عصبی کانولوشنال را پیدا کرده اید!
پس از تکمیل این دوره، شما قادر خواهید بود:
مشکلات تشخیص تصویر را که می‌توان با استفاده از مدل‌های CNN حل کرد، شناسایی کنید.
مدل‌های CNN را در پایتون با استفاده از کتابخانه‌های Keras و Tensorflow ایجاد کنید و نتایج آنها را تجزیه و تحلیل کنید.
مفاهیم یادگیری عمیق را با اطمینان تمرین، بحث و درک کنید
درکی واضح از مدل‌های تشخیص تصویر پیشرفته مانند LeNet، GoogleNet، VGG16 و غیره داشته باشید.
این دوره چگونه به شما کمک خواهد کرد؟
یک گواهی پایان قابل تأیید به همه دانش‌آموزانی که این دوره آموزشی شبکه‌های عصبی کانولوشنال را می‌گذرانند ارائه می‌شود.
اگر شما یک تحلیلگر یا دانشمند ML هستید، یا دانش آموزی هستید که می خواهید یادگیری عمیق را در مسائل تشخیص تصویر دنیای واقعی یاد بگیرید و به کار ببرید، این دوره با آموزش برخی از پیشرفته ترین مفاهیم، پایه محکمی برای آن در اختیار شما قرار می دهد. یادگیری عمیق و پیاده سازی آن ها در پایتون بدون اینکه بیش از حد ریاضی شود.
چرا باید این دوره را انتخاب کنید؟
این دوره تمام مراحلی را که باید برای ایجاد یک مدل تشخیص تصویر با استفاده از شبکه‌های عصبی کانولوشنال انجام شود، پوشش می‌دهد.
اکثر دوره‌ها فقط بر آموزش نحوه اجرای تجزیه و تحلیل تمرکز می‌کنند، اما ما معتقدیم که داشتن درک نظری قوی از مفاهیم ما را قادر می‌سازد یک مدل خوب ایجاد کنیم. و پس از اجرای تجزیه و تحلیل، باید بتوان قضاوت کرد که مدل چقدر خوب است و نتایج را تفسیر کرد تا واقعاً بتواند به کسب و کار کمک کند.
چه چیزی ما را واجد شرایط آموزش به شما می کند؟
این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران شرکت مشاوره گلوبال آنالیتیکس، به کسب‌وکارها کمک کرده‌ایم تا مشکل کسب‌وکار خود را با استفاده از تکنیک‌های یادگیری عمیق حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم
ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 300000 ثبت نام و هزاران بررسی 5 ستاره مانند این:
این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا
با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی می ارزد. - دیزی
قول ما
آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مرتبط با هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.
فایل‌های تمرین را دانلود کنید، در آزمون تمرینی شرکت کنید و تکالیف را تکمیل کنید
با هر سخنرانی، یادداشت‌های کلاسی پیوست شده است که می‌توانید آن را دنبال کنید. همچنین می توانید برای بررسی درک خود از مفاهیم در آزمون تمرینی شرکت کنید. یک تکلیف عملی نهایی برای شما وجود دارد که یادگیری خود را به صورت عملی پیاده سازی کنید.
چه مواردی در این دوره پوشش داده می شود؟
این دوره تمام مراحل ایجاد یک مدل مبتنی بر شبکه عصبی یعنی یک مدل یادگیری عمیق را برای حل مشکلات کسب و کار به شما آموزش می دهد.
در زیر محتوای دوره این دوره در ANN آمده است:
قسمت 1 (بخش 2) - مبانی پایتون
این قسمت شما را با پایتون شروع می کند.
این قسمت به شما کمک می کند تا محیط پایتون و ژوپیتر را بر روی سیستم خود تنظیم کنید و به شما یاد می دهد که چگونه برخی از عملیات اساسی را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy، Pandas Seaborn را درک خواهیم کرد.
قسمت 2 (بخش 3-6) - مفاهیم نظری ANN
این بخش به شما درک کاملی از مفاهیم درگیر در شبکه های عصبی می دهد.
در این بخش با سلول های تک یا پرسپترون ها و نحوه چیدمان پرسپترون ها برای ایجاد یک معماری شبکه آشنا خواهید شد. هنگامی که معماری تنظیم شد، الگوریتم نزول گرادیان را برای یافتن حداقل یک تابع درک می کنیم و یاد می گیریم که چگونه از آن برای بهینه سازی مدل شبکه خود استفاده می شود.
قسمت 3 (بخش 7-11) - ایجاد مدل ANN در پایتون
در این قسمت نحوه ایجاد مدل های ANN در پایتون را خواهید آموخت.
این بخش را با ایجاد یک مدل ANN با استفاده از Sequential API برای حل یک مشکل طبقه بندی شروع می کنیم. ما یاد می گیریم که چگونه معماری شبکه را تعریف کنیم، مدل را پیکربندی کنیم و مدل را آموزش دهیم. سپس عملکرد مدل آموزش دیده خود را ارزیابی می کنیم و از آن برای پیش بینی داده های جدید استفاده می کنیم. در نهایت نحوه ذخیره و بازیابی مدل ها را یاد می گیریم.
ما همچنین اهمیت کتابخانه‌هایی مانند Keras و TensorFlow را در این بخش درک می‌کنیم.
قسمت 4 (بخش 12) - مفاهیم نظری CNN
در این قسمت با لایه های کانولوشنال و ترکیبی که بلوک های سازنده مدل های CNN هستند آشنا می شوید.
در این بخش، با تئوری پایه لایه کانولوشن، گام، فیلترها و نقشه های ویژگی شروع می کنیم. همچنین توضیح می دهیم که چگونه تصاویر در مقیاس خاکستری با تصاویر رنگی متفاوت هستند. در آخر ما در مورد لایه ادغام بحث می کنیم که کارایی محاسباتی را در مدل ما به ارمغان می آورد.
قسمت 5 (بخش 13-14) - ایجاد مدل CNN در پایتون
در این قسمت نحوه ایجاد مدل های CNN در پایتون را خواهید آموخت.ما همان مشکل شناسایی اشیاء مد را در نظر می گیریم و مدل CNN را برای آن اعمال می کنیم. ما عملکرد مدل CNN خود را با مدل ANN خود مقایسه می کنیم و متوجه می شویم که دقت 9-10٪ با استفاده از CNN افزایش می یابد. با این حال، این پایان کار نیست. می‌توانیم با استفاده از تکنیک‌های خاصی که در قسمت بعدی بررسی می‌کنیم، دقت را بیشتر بهبود ببخشیم.
قسمت 6 (بخش 15-18) - پروژه تشخیص تصویر از انتها به انتها در پایتون
در این بخش ما یک پروژه کامل تشخیص تصویر بر روی تصاویر رنگی می سازیم.ما در مسابقه تشخیص تصویر Kaggle شرکت می کنیم و مدل CNN را برای حل آن می سازیم. با یک مدل ساده نزدیک به 70 درصد دقت در مجموعه تست به دست می آوریم. سپس مفاهیمی مانند افزایش داده و یادگیری انتقال را یاد می گیریم که به ما کمک می کند سطح دقت را از 70٪ به نزدیک به 97٪ (به خوبی برندگان آن مسابقه) ارتقا دهیم.
در پایان این دوره، اعتماد شما به ایجاد یک مدل شبکه عصبی کانولوشن در پایتون افزایش می یابد. شما درک کاملی از نحوه استفاده از CNN برای ایجاد مدل های پیش بینی و حل مشکلات تشخیص تصویر خواهید داشت.
ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 می بینم!
به سلامتی
Start-Tech Academy
------------
در زیر برخی از پرسش‌های متداول رایج دانش‌آموزانی که می‌خواهند سفر یادگیری عمیق خود را شروع کنند، آورده شده است-
چرا از پایتون برای یادگیری عمیق استفاده کنیم؟
درک Python یکی از مهارت‌های ارزشمند مورد نیاز برای یک حرفه در یادگیری عمیق است.
اگرچه همیشه اینطور نبوده است، پایتون زبان برنامه نویسی انتخابی برای علم داده است. این یک تاریخچه مختصر است:
در سال 2016، از R در Kaggle، پلتفرم برتر مسابقات علم داده، پیشی گرفت.
در سال 2017، در نظرسنجی سالانه KDNuggets از ابزارهای پرکاربرد دانشمندان داده، از R پیشی گرفت.
در سال 2018، 66 درصد از دانشمندان داده از Python به صورت روزانه استفاده می‌کنند، که آن را به ابزار شماره یک برای متخصصان تجزیه و تحلیل تبدیل می‌کند.
کارشناسان Deep Learning انتظار دارند این روند با افزایش توسعه در اکوسیستم پایتون ادامه یابد. و در حالی که سفر شما برای یادگیری برنامه نویسی پایتون ممکن است تازه شروع شده باشد، خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) نیز هستند.
تفاوت بین داده کاوی، یادگیری ماشینی و یادگیری عمیق چیست؟
به زبان ساده، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند، به جز اینکه انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش شناخته شده را بازتولید می کند - و بیشتر به طور خودکار این اطلاعات را در داده ها، تصمیم گیری ها و اقدامات اعمال می کند.
آموزش عمیق، از سوی دیگر، از قدرت محاسباتی پیشرفته و انواع خاصی از شبکه‌های عصبی استفاده می‌کند و آنها را در مقادیر زیادی از داده‌ها برای یادگیری، درک و شناسایی الگوهای پیچیده استفاده می‌کند. ترجمه خودکار زبان و تشخیص های پزشکی نمونه هایی از یادگیری عمیق هستند.
این دوره برای چه کسانی است:
- افرادی که به دنبال شغلی در علم داده هستند
- حرفه ای ها سفر یادگیری عمیق خود را آغاز می کنند
- هر کسی که کنجکاو است در بازه زمانی کوتاهی بر تشخیص تصویر از سطح مبتدی مسلط شود
مقدمه Introduction
-
مقدمه Introduction
-
منابع دوره Course Resources
راه اندازی Python و Jupyter Notebook Setting up Python and Jupyter Notebook
-
نصب پایتون و آناکوندا Installing Python and Anaconda
-
این یک نقطه عطف است! This is a milestone!
-
باز کردن نوت بوک Jupyter Opening Jupyter Notebook
-
آشنایی با ژوپیتر Introduction to Jupyter
-
عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics
-
رشته ها در پایتون: اصول پایتون Strings in Python: Python Basics
-
لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics
-
کار با کتابخانه Numpy پایتون Working with Numpy Library of Python
-
کار با Pandas Library of Python Working with Pandas Library of Python
-
کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python
تک سلولی - پرسپترون و نورون سیگموئید Single Cells - Perceptron and Sigmoid Neuron
-
پرسپترون Perceptron
-
توابع فعال سازی Activation Functions
-
پایتون - ایجاد مدل پرسپترون Python - Creating Perceptron model
شبکه های عصبی - انباشتن سلول ها برای ایجاد شبکه Neural Networks - Stacking cells to create network
-
اصطلاحات پایه Basic Terminologies
-
گرادیان نزول Gradient Descent
-
انتشار پشت Back Propagation
-
امتحان Quiz
مفاهیم مهم: سوالات رایج مصاحبه Important concepts: Common Interview questions
-
چند مفهوم مهم Some Important Concepts
-
امتحان Quiz
پارامترهای مدل استاندارد Standard Model Parameters
-
فراپارامترها Hyperparameters
-
امتحان Quiz
-
امتحان Quiz
تنسورفلو و کراس Tensorflow and Keras
-
کراس و تنسورفلو Keras and Tensorflow
-
نصب تنسورفلو و کراس Installing Tensorflow and Keras
پایتون - مجموعه داده برای مشکل طبقه بندی Python - Dataset for classification problem
-
مجموعه داده برای طبقه بندی Dataset for classification
-
عادی سازی و تقسیم تست-قطار Normalization and Test-Train split
-
اطلاعات بیشتر در مورد تقسیم قطار آزمایشی More about test-train split
Python - ساخت و آموزش مدل Python - Building and training the Model
-
راه های مختلف برای ایجاد ANN با استفاده از Keras Different ways to create ANN using Keras
-
ساخت شبکه عصبی با استفاده از Keras Building the Neural Network using Keras
-
تدوین و آموزش مدل شبکه عصبی Compiling and Training the Neural Network model
-
ارزیابی عملکرد و پیش بینی با استفاده از Keras Evaluating performance and Predicting using Keras
Python - حل یک مسئله رگرسیون با استفاده از ANN Python - Solving a Regression problem using ANN
-
ساخت شبکه عصبی برای مسئله رگرسیون Building Neural Network for Regression Problem
https://donyad.com/d/f177
Start-Tech Academy
بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.
نمایش نظرات