آموزش تشخیص تصویر برای مبتدیان با استفاده از CNN در R Studio
Image Recognition for Beginners using CNN in R Studio
آنچه یاد خواهید گرفت
-
درک کاملی از شبکه های عصبی کانولوشن (CNN) و یادگیری عمیق داشته باشید
-
یک پروژه انتها به انتها تشخیص تصویر در R بسازید
-
استفاده از کتابخانه های Keras و Tensorflow را بیاموزید
-
از شبکه های عصبی مصنوعی (ANN) برای پیش بینی 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 R 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 R 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 آنها در R 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 تجاری 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 ضمیمه شده است که می‌توانید آنها 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)- راه اندازی R and R Studio با R crash course
این بخش شما را با R شروع می کند.
این بخش به شما کمک می‌کند استودیوی R و R را بر روی سیستم خود راه‌اندازی کنید و به شما یاد می‌دهد که چگونه برخی از عملیات اساسی را در R انجام دهید.
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 R
در این قسمت نحوه ایجاد مدل های ANN در R 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 آخر 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 R
در این قسمت نحوه ایجاد مدل های CNN در R 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 پایان در R
در این بخش ما یک پروژه کامل تشخیص تصویر را 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 به نفس شما در ایجاد یک مدل شبکه عصبی کانولوشن در R 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 R برای یادگیری عمیق استفاده کنیم؟
درک R یکی از مهارت‌های ارزشمند مورد نیاز برای یک حرفه در یادگیری ماشین است. در زیر دلایلی وجود دارد که چرا باید یادگیری عمیق را در R
یاد بگیرید1. این یک زبان محبوب برای یادگیری ماشین در شرکتهای فناوری برتر است. تقریباً همه آنها دانشمندان داده را استخدام می کنند که از R. Facebook استفاده می کنند، برای مثال، از R برای انجام تجزیه و تحلیل رفتاری با داده های پست کاربر استفاده می کنند. گوگل از R برای ارزیابی اثربخشی تبلیغات و پیش بینی های اقتصادی استفاده می کند. و به هر حال، فقط شرکتهای فناوری نیستند: R در شرکتهای تحلیل و مشاوره، بانک‌ها و سایر مؤسسات مالی، مؤسسات دانشگاهی و آزمایشگاه‌های تحقیقاتی، و تقریباً در هر جای دیگری که داده‌ها نیاز به تجزیه و تحلیل و تجسم دارند، استفاده می‌شود.
2. یادگیری مبانی علوم داده در R. R مسلماً ساده‌تر است، یک مزیت بزرگ دارد: به طور خاص با دستکاری و تجزیه و تحلیل داده‌ها در ذهن طراحی شده است.
3. بسته های شگفت انگیزی که زندگی شما را آسان می کند. از آنجایی که R با در نظر گرفتن تجزیه و تحلیل آماری طراحی شده است، دارای اکوسیستم فوق العاده ای از بسته ها و منابع دیگر است که برای علم داده عالی هستند.
4. جامعه ای قوی و رو به رشد از دانشمندان داده و آماردانان. همانطور که زمینه علم داده منفجر شده است، R نیز با آن منفجر شده است و به یکی از سریع ترین زبان های در حال رشد در جهان تبدیل شده است (که توسط StackOverflow اندازه گیری شده است). این بدان معناست که در حین انجام پروژه‌ها در R، یافتن پاسخ به سؤالات و راهنمایی‌های جامعه آسان است.
5. ابزار دیگری را در جعبه ابزار خود قرار دهید. هیچ زبانی ابزار مناسبی برای هر شغلی نخواهد بود. افزودن R به کارنامه شما برخی از پروژه‌ها را آسان‌تر می‌کند – و البته، هنگامی که به‌دنبال شغل در علم داده هستید، شما را به کارمندی انعطاف‌پذیرتر و قابل فروش‌تر تبدیل می‌کند.
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 مدت زمان کوتاهی بر تشخیص تصویر از سطح مبتدی مسلط شود
مقدمه Introduction
-
مقدمه Introduction
-
منابع دوره Course Resources
راه اندازی R Studio و دوره تصادف R Setting Up R Studio and R crash course
-
نصب استودیو R و R Installing R and R studio
-
این یک نقطه عطف است! This is a milestone!
-
مبانی استودیو R و R Basics of R and R studio
-
بسته ها در R Packages in R
-
وارد کردن داده ها قسمت 1: مجموعه داده های داخلی R Inputting data part 1: Inbuilt datasets of R
-
وارد کردن داده ها قسمت 2: ورود دستی داده ها Inputting data part 2: Manual data entry
-
وارد کردن داده ها قسمت 3: وارد کردن از فایل های CSV یا متنی Inputting data part 3: Importing from CSV or Text files
-
ایجاد بارپلات در R Creating Barplots in R
-
ایجاد هیستوگرام در R Creating Histograms in R
تک سلولی - پرسپترون و نورون سیگموئید Single Cells - Perceptron and Sigmoid Neuron
-
پرسپترون Perceptron
-
توابع فعال سازی Activation Functions
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
تنسورفلو و کراس Tensorflow and Keras
-
کراس و تنسورفلو Keras and Tensorflow
-
نصب Keras و Tensorflow Installing Keras and Tensorflow
R - مجموعه داده برای مسئله طبقه بندی R - Dataset for classification problem
-
نرمال سازی داده ها و تقسیم بندی تست-ترن Data Normalization and Test-Train Split
-
اطلاعات بیشتر درباره تقسیم قطار آزمایشی More about test-train split
ر - ساخت و آموزش مدل R - Building and training the Model
-
ساختمان، تدوین و آموزش Building, Compiling and Training
-
ارزیابی و پیش بینی Evaluating and Predicting
بسته NeuralNets The NeuralNets Package
-
ANN با بسته NeuralNets ANN with NeuralNets Package
https://donyad.com/d/3925
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