لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
Keras: پروژه های عملی هوش مصنوعی و یادگیری عمیق با استفاده از Keras
Keras: Practical AI Projects & Deep Learning using Keras
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
پروژه های عملی هوش مصنوعی، از جمله ربات های چت، تجزیه و تحلیل احساسات، طبقه بندی تصویر، تشخیص چهره پیشرفته ساخت ربات های چت با استفاده از Keras را کاوش کنید. پیاده سازی تحلیل احساسات با شبکه های عصبی بازگشتی (RNN). تکنیک های طبقه بندی تصویر با استفاده از Keras. برنامه های پیشرفته تشخیص چهره با استفاده از بینایی کامپیوتر و یادگیری عمیق. اجرای عملی پروژه در Google Colab. تکنیک های پیش پردازش متن مانند Bow Model، Count Vectorizer، Stemming و Lemmatization. آموزش مدل، ارزیابی و پیش بینی. استفاده از مدل از پیش آموزش دیده و تنظیم دقیق. پیش پردازش، تقویت و تجسم تصویر. الگوریتم های تشخیص و تشخیص چهره تعبیه تولید و طبقه بندی. پیاده سازی و آزمایش مدل های هوش مصنوعی در دنیای واقعی پیش نیازها:زبان برنامه نویسی پایتون. مبانی یادگیری ماشین و مفاهیم یادگیری عمیق
به دوره جامع کاربردهای عملی یادگیری عمیق با Keras خوش آمدید! در این دوره، شما سفری هیجان انگیز را از طریق پروژه های مختلف با هدف توسعه مهارت های عملی در یادگیری عمیق و شبکه های عصبی با استفاده از چارچوب Keras آغاز خواهید کرد. چه مبتدی باشید که میخواهید یادگیری عمیق را شروع کنید یا یک پزشک باتجربه که به دنبال تقویت مهارتهای خود است، این دوره چیزی برای همه ارائه میدهد.
در طول این دوره، شما در پروژههای عملی که طیف وسیعی از موضوعات را پوشش میدهند، از جمله ساخت رباتهای گفتگو، تجزیه و تحلیل احساسات با استفاده از شبکههای عصبی مکرر (RNN)، طبقهبندی تصویر، و برنامههای کاربردی بینایی رایانهای تشخیص چهره پیشرفته را بررسی خواهید کرد. هر پروژه با دقت طراحی شده است تا تجربه عملی و بینش هایی را در مورد کاربردهای واقعی یادگیری عمیق در اختیار شما قرار دهد.
در پایان این دوره، شما تجربه ارزشمندی در پیاده سازی مدل های یادگیری عمیق، درک اصول زیربنایی آنها و به کارگیری آنها برای حل وظایف پیچیده کسب خواهید کرد. خواه به پردازش زبان طبیعی، بینایی کامپیوتر یا هر حوزه دیگری علاقه مند باشید، مهارت هایی که در این دوره کسب می کنید در سفر شما به عنوان یک متخصص یادگیری عمیق ارزشمند خواهد بود.
برای باز کردن پتانسیل کامل یادگیری عمیق با Keras آماده شوید و مهارتهای خود را به سطح بعدی ببرید!
بخش 1: ساخت ربات چت با کراس
در این بخش، دانشآموزان یک سفر عملی برای ساخت ربات چت با استفاده از Keras را آغاز میکنند. آنها با مقدمهای بر اهداف پروژه آغاز میشوند و به دنبال آن مفاهیم پایهای مانند مدل کیسه کلمات (BoW)، شمارش بردار و تکنیکهایی برای مدیریت دادههای متنی بررسی میشوند. از طریق یک سری سخنرانیهای پیشرو، دانشآموزان به مراحل پیشپردازش، استراتژیهای محدودیت ویژگی، و عناصر ضروری پردازش متن مانند توقف کلمات و ریشهیابی میپردازند.
بخش 2: پروژه در Keras: تجزیه و تحلیل احساسات با استفاده از RNN
در بخش دوم، دانشآموزان به پروژه دیگری با تمرکز بر تحلیل احساسات با شبکههای عصبی بازگشتی (RNN) با استفاده از Keras منتقل میشوند. آنها به Google Colab برای کار مشترک و مجموعه داده IMBD برای تجزیه و تحلیل احساسات معرفی خواهند شد. این بخش موضوعاتی مانند توالیهای بالشتک، مدلهای پایه و پیچیده LSTM، و روشهای آموزشی را پوشش میدهد و دانشآموزان را قادر میسازد تا تجربه عملی در تحلیل احساسات کسب کنند.
بخش 3: پروژه در Keras - طبقه بندی تصویر
در ادامه سفر، دانشآموزان به سمت پروژههای طبقهبندی تصویر در این بخش خواهند رفت. آنها یاد خواهند گرفت که Google Colab را راه اندازی کنند، مجموعه داده ها را دانلود کنند و از مدل های از پیش آموزش دیده برای کارهای طبقه بندی تصاویر استفاده کنند. موضوعات تحت پوشش شامل تجسم لایه میانی، ایجاد مدل، تقویت تصویر، و تکنیک های ارزیابی مدل خواهد بود.
بخش 4: پروژه در Keras - ایجاد یک برنامه تشخیص چهره پیشرفته Computer Vision
در بخش آخر، دانشآموزان با استفاده از تکنیکهای بینایی کامپیوتری با Keras درگیر ایجاد یک برنامه تشخیص چهره پیشرفته خواهند شد. آنها شبکه های عصبی کانولوشن (CNN) را برای پردازش تصویر، تشخیص چهره با استفاده از MTCNN و ساخت یک طبقه بندی کننده برای تشخیص چهره بررسی خواهند کرد. این بخش به درک جامعی از پیادهسازی مدلهای یادگیری عمیق برای برنامههای کاربردی دنیای واقعی ختم میشود.
سرفصل ها و درس ها
ساخت ربات چت با کراس
Building A Chatbot with keras
مقدمه ای بر پروژه
Introduction to Project
مدل کمان
Bow Model
شمارش بردار
Count Vectorizer
داده های متنی
Text Data
داده های متنی ادامه دهید
Text Data Continue
محدودیت تعداد ویژگی ها
Limit Number of Features
کلمات را متوقف کنید
Stop Words
ساقه
Stemming
ساقه گذاری ادامه دهید
Stemming Continue
Lemmatization
Lemmatization
مدل ML بر روی داده های متنی
ML Model on Text Data
وکتورایزر TF-TF-IDF
TF-TF-IDF Vectorizer
Spacy Word2Vec
Spacy Word2Vec
الزامات
Requirements
پیاده سازی هندسون
Hindson Implementation
اجرای Hindson ادامه دارد
Hindson Implementation Continue
شبکه های عصبی
Neural Networks
چت ربات های مولد قسمت 1
Generative Chatbots Part 1
چت ربات های مولد قسمت 2
Generative Chatbots Part 2
چت ربات های مولد قسمت 3
Generative Chatbots Part 3
چت ربات های مولد قسمت 4
Generative Chatbots Part 4
چت ربات های مولد قسمت 5
Generative Chatbots Part 5
چت بات های توجه بخش 1
Attentive Chatbots Part 1
چت ربات های توجه بخش 2
Attentive Chatbots Part 2
چت بات های توجه بخش 3
Attentive Chatbots Part 3
چت بات پیشرفته
Advanced Chatbot
چت بات پیشرفته - ارزیابی
Advanced Chatbot - Evaluation
نتیجه گیری
Conclusion
پروژه در Keras: تجزیه و تحلیل احساسات با استفاده از RNN
Project On Keras: Sentimental Analysis Using RNN
مقدمه ای بر پروژه
Introduction to Project
Google Collab
Google Collab
در حال دانلود مجموعه داده های IMBD
Downloading IMBD Dataset
توالی بالشتک
Padding Sequences
مدل پایه LSTM
Basic LSTM Model
آموزش
Training
توطئه
Plotting
پیش بینی بر اساس LSTM پایه
Predicting on Basic LSTM
مدل پیچیده LSTM با آموزش
Complex LSTM Model with Training
پیش بینی با Complex LSTM
Prediction with Complex LSTM
Project On Keras - طبقه بندی تصویر
Project On Keras - Image Classification
مقدمه ای بر پروژه
Introduction to Project
Google Collab
Google Collab
در حال آپلود
Uploading
دانلود مجموعه داده
Downloading the Dataset
مدل از پیش آموزش دیده
Pretrained Model
تجسم لایه میانی
Intermediate Layer Visualization
ایجاد مدل و تقویت تصویر
Model Creation and Image Augmentation
مدل تدوین و آموزش
Compiling and Training Model
ارزش های از دست دادن
Loss Values
تست تصاویر و تجسم
Test Images and Visualization
بازآموزی مدل
Retraining the Model
Project On Keras - ایجاد یک برنامه بینایی کامپیوتری با تشخیص چهره پیشرفته
Project On Keras - Creating An Advanced Face Recognition Computer Vision App
مقدمه دوره
Introduction to Course
CNN برای پردازش تصویر
CNN for Image Processing
پیش پردازش تصویر
Image Preprocessing
ذخیره و بارگذاری مدل ها
Saving and Loading the Models
آماده شدن سیستم
Getting System Ready
خواندن داده های تصویر
Reading the Image Data
شناسایی چهره ها MTCNN
Detect Faces MTCNN
جعبه مرزی را رسم کنید
Draw Bounding Box
نکات کلیدی را ترسیم کنید
Draw Key points
روی گروه تصاویر اعمال کنید
Apply on Group of Images
استخراج چهره ها از تصویر
Extract Faces from Image
خلاصه تشخیص چهره
Face Detection Summary
تشخیص چهره
Face Recognition
مجموعه داده مد
Fashion Dataset
لود چهره ها
Load Faces
بارگیری مجموعه داده از پوشه ها
Load Dataset from Folders
بارگیری مجموعه داده از پوشه ها ادامه دارد
Load Dataset from Folders Continue
جاسازیهای چهره را ایجاد کنید
Generate Face Embeddings
تعبیه صورت
Face Embeddings
طبقهبندی ساختمان بر روی جاسازیها
Building Classifier on Embeddings
Building Classifier on Embeddings Continue
Building Classifier on Embeddings Continue
تست برای پیاده سازی واقعی
Testing for Real Implementation
از DNN Kera با فیس نت استفاده کنید
Use Kera's DNN with Face net
مهارت های دنیای واقعی را بصورت آنلاین بیاموزید EDUCBA یک ارائه دهنده جهانی آموزش مبتنی بر مهارت است که نیازهای اعضا را در بیش از 100 کشور برطرف می کند. ما بزرگترین شرکت فناوری پیشرفته در آسیا با نمونه کارهای 5498+ دوره آنلاین ، 205+ مسیر یادگیری ، 150+ برنامه شغل محور (JOPs) و 50+ بسته دوره حرفه ای شغلی هستیم که توسط متخصصان برجسته صنعت آماده شده است. برنامه های آموزشی ما برنامه های مبتنی بر مهارت شغلی است که توسط صنعت در سراسر امور مالی ، فناوری ، تجارت ، طراحی ، داده و فناوری جدید و آینده مورد نیاز صنعت است.
نمایش نظرات