چشم انداز کامپیوتر برای دانشمندان داده

Computer Vision for Data Scientists

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

بینایی کامپیوتری از آغاز فروتنانه خود تا کنون راه درازی را پیموده است. و امروزه، یکی از زمینه‌های مورد بحث در فناوری است. به مربی Harpreet Sahota در این مرور جامع از تاریخچه و تکامل این صنعت به طور فزاینده مهم بپیوندید، درک خود را از شبکه‌های عصبی کانولوشنال، آموزش شبکه، مدل‌های یادگیری عمیق برای وظایف طبقه‌بندی تصویر، انتقال یادگیری با مدل‌های از پیش آموزش‌دیده، و موارد دیگر توسعه دهید. طیف گسترده ای از عملکردهای ارائه شده توسط کتابخانه آموزشی انعطاف پذیر SuperGradients را کاوش کنید، که به شما قدرت می دهد تا چرخه عمر توسعه مدل را کوتاه و ساده کنید. در طول مسیر، هارپریت بینش‌های عملی در مورد نحوه آموزش مؤثرتر مدل‌ها و شبکه‌ها با استفاده از تکنیک‌های پیشرفته‌تر مانند میانگین متحرک نمایی، میانگین وزنی، انباشت دسته‌ای و BatchNorm به اشتراک می‌گذارد.

توجه: این دوره به دانش اولیه کار در مورد یادگیری ماشین و همچنین تجربه با Python و PyTorch نیاز دارد.


سرفصل ها و درس ها

معرفی Introduction

  • مقدمه چشم انداز رایانه Computer vision introduction

  • آنچه شما باید بدانید What you should know

1. کامپیوتر ویژن 1. Computer Vision

  • بینایی کامپیوتر چیست؟ What is computer vision?

  • تاریخچه بینایی کامپیوتر A history of computer vision

  • محدودیت‌های تکنیک‌های سنتی CV Limitations of traditional CV techniques

  • ImageNet ImageNet

  • انقلاب یادگیری عمیق The deep learning revolution

2. آشنایی با شبکه های عصبی حلقوی 2. Introduction to Convolutional Neural Networks

  • مروری بر CNN ها Overview of CNNs

  • چرا CNN ها؟ Why CNNs?

  • لایه های کانولوشن Convolutional layers

  • انواع کانولوشن Types of convolutions

  • لایه های ادغام Pooling layers

  • توابع فعال سازی Activation functions

  • لایه های کاملا متصل Fully connected layers

3. نحوه آموزش شبکه ها 3. How Networks Are Trained

  • نظارت بر عملکردهای یادگیری و از دست دادن Supervised learning and loss functions

  • پس انتشار در CNN ها Backpropagation in CNNs

  • تکنیک های بهینه سازی Optimization techniques

  • منظم سازی و افزایش داده ها Regularization and data augmentation

4. تکامل معماری CNN 4. The Evolution of CNN Architectures

  • LeNet LeNet

  • الکس نت AlexNet

  • VGG VGG

  • ResNet ResNet

  • MobileNetV1 MobileNetV1

  • MobileNetV2 MobileNetV2

  • MobileNetV3 MobileNetV3

  • EfficientNet EfficientNet

5. یادگیری انتقال 5. Transfer Learning

  • مقدمه ای بر یادگیری انتقالی Introduction to transfer learning

  • انواع یادگیری انتقالی Types of transfer learning

  • مراحل استخراج ویژگی و تنظیم دقیق Steps in feature extracting and fine-tuning

  • بهترین شیوه ها برای انتقال یادگیری Best practices for transfer learning

6. PyTorch Crash Course 6. PyTorch Crash Course

  • راه اندازی محیط Setting up the environment

  • Dataset و DataLoader Dataset and DataLoader

  • راه اندازی آموزش Training setup

  • حلقه آموزش The training loop

  • تست و ارزیابی Testing and evaluation

  • استنتاج Inference

7. آموزش انتقال عملی با SuperGradients 7. Hands-on Transfer Learning with SuperGradients

  • مقدمه ای بر SuperGradients Introduction to SuperGradients

  • مربی The trainer

  • پارامترهای آموزشی مورد نیاز Required training params

  • پارامترهای آموزشی اختیاری Optional training params

  • آموزش مدل Training the model

  • پیش بینی با مدل Predicting with the model

  • چگونه تقریباً هر مشکل طبقه بندی تصویر را با SG حل کنیم How to solve almost any image classification problem with SG

8. ترفندهای آموزشی 8. Training Tricks

  • میانگین متحرک نمایی Exponential moving average

  • میانگین وزن Weight averaging

  • انباشت دسته ای Batch accumulation

  • BatchNorm دقیق Precise BatchNorm

  • کاهش وزن صفر در BatchNorm و سوگیری Zero weight decay on BatchNorm and bias

  • ترفندهای آموزشی در SuperGradients Training tricks in SuperGradients

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

چشم انداز کامپیوتر برای دانشمندان داده
جزییات دوره
4h 1m
50
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
5,818
- 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.