لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق: دید کامپیوتر پیشرفته (GAN، SSD، + بیشتر!)
Deep Learning: Advanced Computer Vision (GANs, SSD, +More!)
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
VGG، ResNet، Inception، SSD، RetinaNet، Neural Style Transfer، GANs + More in Tensorflow، Keras و Python درک و کاربرد یادگیری انتقال درک و استفاده از شبکه های عصبی کانولوشنال پیشرفته مانند VGG، ResNet و Inception Understand. و از الگوریتمهای تشخیص اشیاء مانند SSD استفاده کنید و از انتقال سبک عصبی استفاده کنید. CNN با استفاده از برخی کتابخانه ها (ترجیحاً در پایتون) مفاهیم نظری اساسی پشت کانولوشن و شبکه های عصبی را درک کنید.
آخرین به روز رسانی: به جای SSD، من به شما نحوه استفاده از RetinaNet را نشان می دهم که بهتر و مدرن تر است. من به شما نشان می دهم که چگونه از یک مدل از پیش آموزش دیده استفاده کنید و چگونه خودتان با یک مجموعه داده سفارشی در Google Colab آموزش دهید.
این یکی از هیجانانگیزترین دورههایی است که من انجام دادهام و واقعاً نشان میدهد که یادگیری در طول سالها چقدر سریع و عمیق بوده است.
وقتی برای اولین بار مجموعه یادگیری عمیق خود را شروع کردم، هرگز فکر نمی کردم که دو دوره در مورد شبکه های عصبی کانولوشن بسازم.
من فکر میکنم چیزی که مییابید این است که، این دوره کاملاً با دوره قبلی متفاوت است، از اینکه چقدر مطالب را باید پوشش دهیم، تحت تأثیر قرار خواهید گرفت.
اجازه دهید خلاصه ای سریع از این دوره به شما ارائه دهم:
ما میخواهیم شکاف بین معماری اصلی CNN را که قبلاً میشناسید و دوست دارید، به معماریهای مدرن و جدید مانند VGG، ResNet و Inception پر کنیم (نام فیلم که اتفاقاً عالی است!)
ما میخواهیم اینها را روی تصاویر سلولهای خونی اعمال کنیم و سیستمی ایجاد کنیم که متخصص پزشکی بهتری از من یا شما باشد. این ایده جالبی را به وجود میآورد: اینکه پزشکان آینده انسان نیستند، بلکه روبات ها.
در این دوره، خواهید دید که چگونه میتوانیم یک CNN را به یک سیستم تشخیص شی تبدیل کنیم، که نه تنها تصاویر را طبقهبندی میکند، بلکه میتواند هر شی را در یک تصویر مکانیابی کند و برچسب آن را پیشبینی کند.
می توانید تصور کنید که چنین کاری یک پیش نیاز اساسی برای وسایل نقلیه خودران است. (باید بتواند ماشین ها، عابر پیاده، دوچرخه، چراغ راهنمایی و غیره را در زمان واقعی تشخیص دهد)
ما به دنبال الگوریتم پیشرفتهای به نام SSD هستیم که سریعتر و دقیقتر از مدلهای قبلی خود است.
یک کار بسیار محبوب دیگر بینایی کامپیوتری که از CNN استفاده می کند، انتقال سبک عصبی نامیده می شود.
این جایی است که شما یک تصویر به نام تصویر محتوا و تصویر دیگری به نام تصویر سبک می گیرید و اینها را برای ایجاد یک تصویر کاملاً جدید ترکیب می کنید، به این صورت که گویی یک نقاش را استخدام کرده اید تا محتوای تصویر اول را نقاشی کند. با سبک دیگری برخلاف یک نقاش انسان، این کار را می توان در عرض چند ثانیه انجام داد.
من همچنین شما را با معماری معروف GAN (شبکههای متخاصم مولد) آشنا میکنم، که در آن با برخی از فناوریهای استفاده از شبکههای عصبی برای تولید تصاویر مدرن و واقعی آشنا میشوید.
در حال حاضر، ما محلیسازی شی را نیز پیادهسازی میکنیم، که اولین گام اساسی برای پیادهسازی یک سیستم تشخیص کامل شی است.
امیدوارم از آشنایی با این کاربردهای پیشرفته CNN هیجان زده باشید، شما را در کلاس می بینم!
حقایق شگفت انگیز:
یکی از موضوعات اصلی این دوره این است که ما از خود CNN دور میشویم و به سیستمهایی که شامل CNN میشوند، میرویم.
بهجای تمرکز بر جزئیات عملکرد داخلی CNNها (که قبلاً انجام دادهایم)، روی بلوکهای ساختمانی سطح بالا تمرکز خواهیم کرد. نتیجه؟ تقریبا صفر ریاضی .
نتیجه دیگر؟ هیچ کد پیچیدهای در سطح پایین مانند آنچه در Tensorflow، Theano، یا PyTorch نوشته شده است (اگرچه برخی تمرینهای اختیاری ممکن است حاوی آنها برای دانشآموزان بسیار پیشرفته باشد). بیشتر دوره در Keras خواهد بود که به این معنی است که بسیاری از مطالب خسته کننده و تکراری برای شما نوشته شده است.
"اگر نمی توانید آن را پیاده سازی کنید، آن را درک نمی کنید"
یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم".
دورههای من تنها دورههایی هستند که در آنها نحوه پیادهسازی الگوریتمهای یادگیری ماشین را از ابتدا یاد خواهید گرفت
دورههای دیگر به شما یاد میدهند که چگونه دادههای خود را به کتابخانه وصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟
پس از انجام همان کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...
پیش نیازهای پیشنهادی:
با نحوه ساخت، آموزش و استفاده از CNN با استفاده از تعدادی کتابخانه (ترجیحاً در پایتون) آشنا شوید
مفاهیم نظری اساسی پشت شبکههای کانولوشن و عصبی را درک کنید
مهارت های کدنویسی مناسب پایتون، ترجیحاً در علم داده و Numpy Stack
به چه ترتیبی باید در دوره های شما شرکت کنم؟:
سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسشهای متداول هر یک از دورههای من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.
ویژگی های منحصر به فرد
هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید
همانند سایر دورهها، زمان را تلف نمیکنید - بیایید صادق باشیم، هیچکس واقعاً نمیتواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد
از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید
سرفصل ها و درس ها
خوش آمدی
Welcome
معرفی
Introduction
طرح کلی و چشم انداز
Outline and Perspective
دستان خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده
Get Your Hands Dirty, Practical Coding Experience, Data Links
نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری)
How to use Github & Extra Coding Tips (Optional)
از کجا می توان کد، نوت بوک و داده را دریافت کرد
Where to get the code, notebooks, and data
چگونه در این دوره موفق شویم
How to Succeed in this Course
خوش آمدی
Welcome
معرفی
Introduction
طرح کلی و چشم انداز
Outline and Perspective
دستان خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده
Get Your Hands Dirty, Practical Coding Experience, Data Links
نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری)
How to use Github & Extra Coding Tips (Optional)
از کجا می توان کد، نوت بوک و داده را دریافت کرد
Where to get the code, notebooks, and data
چگونه در این دوره موفق شویم
How to Succeed in this Course
بررسی مبانی یادگیری ماشین
Machine Learning Basics Review
چگونه یک شی را در یک تصویر پیدا می کنید؟
How would you find an object in an image?
مشکل مقیاس
The Problem of Scale
مشکل شکل
The Problem of Shape
SSD Tensorflow Object Detection API (pt 1)
SSD Tensorflow Object Detection API (pt 1)
SSD Tensorflow Object Detection API (pt 2)
SSD Tensorflow Object Detection API (pt 2)
SSD برای تشخیص اشیاء ویدیویی
SSD for Video Object Detection
اختیاری: تقاطع روی اتحاد و سرکوب غیر حداکثر
Optional: Intersection over Union & Non-max Suppression
خلاصه بخش SSD
SSD Section Summary
انتقال سبک عصبی
Neural Style Transfer
معرفی بخش انتقال سبک
Style Transfer Section Intro
تئوری انتقال سبک
Style Transfer Theory
بهینه سازی ضرر
Optimizing the Loss
کد pt 1
Code pt 1
کد pt 2
Code pt 2
کد pt 3
Code pt 3
خلاصه بخش انتقال سبک
Style Transfer Section Summary
انتقال سبک عصبی
Neural Style Transfer
معرفی بخش انتقال سبک
Style Transfer Section Intro
تئوری انتقال سبک
Style Transfer Theory
بهینه سازی ضرر
Optimizing the Loss
کد pt 1
Code pt 1
کد pt 2
Code pt 2
کد pt 3
Code pt 3
خلاصه بخش انتقال سبک
Style Transfer Section Summary
نقشه های فعال سازی کلاس
Class Activation Maps
نقشه های فعال سازی کلاس (تئوری)
Class Activation Maps (Theory)
نقشه های فعال سازی کلاس (کد)
Class Activation Maps (Code)
نقشه های فعال سازی کلاس
Class Activation Maps
نقشه های فعال سازی کلاس (تئوری)
Class Activation Maps (Theory)
نقشه های فعال سازی کلاس (کد)
Class Activation Maps (Code)
GAN ها (شبکه های متخاصم مولد)
GANs (Generative Adversarial Networks)
نظریه GAN
GAN Theory
کد GAN
GAN Code
GAN ها (شبکه های متخاصم مولد)
GANs (Generative Adversarial Networks)
نظریه GAN
GAN Theory
کد GAN
GAN Code
پروژه محلی سازی شی
Object Localization Project
بومی سازی مقدمه و طرح کلی
Localization Introduction and Outline
طرح کلی کد محلی سازی (نقطه 1)
Localization Code Outline (pt 1)
کد محلی سازی (نقطه 1)
Localization Code (pt 1)
طرح کلی کد محلی سازی (نقطه 2)
Localization Code Outline (pt 2)
کد محلی سازی (نقطه 2)
Localization Code (pt 2)
طرح کلی کد محلی سازی (نقطه 3)
Localization Code Outline (pt 3)
کد محلی سازی (نقطه 3)
Localization Code (pt 3)
طرح کلی کد محلی سازی (نقطه 4)
Localization Code Outline (pt 4)
کد محلی سازی (نقطه 4)
Localization Code (pt 4)
طرح کلی کد محلی سازی (نقطه 5)
Localization Code Outline (pt 5)
کد محلیسازی (نقطه 5)
Localization Code (pt 5)
طرح کلی کد محلی سازی (نقطه 6)
Localization Code Outline (pt 6)
کد محلی سازی (نقطه 6)
Localization Code (pt 6)
طرح کلی کد محلی سازی (نقطه 7)
Localization Code Outline (pt 7)
کد محلی سازی (نقطه 7)
Localization Code (pt 7)
پروژه محلی سازی شی
Object Localization Project
بومی سازی مقدمه و طرح کلی
Localization Introduction and Outline
طرح کلی کد محلی سازی (نقطه 1)
Localization Code Outline (pt 1)
کد محلی سازی (نقطه 1)
Localization Code (pt 1)
طرح کلی کد محلی سازی (نقطه 2)
Localization Code Outline (pt 2)
کد محلی سازی (نقطه 2)
Localization Code (pt 2)
طرح کلی کد محلی سازی (نقطه 3)
Localization Code Outline (pt 3)
کد محلی سازی (نقطه 3)
Localization Code (pt 3)
طرح کلی کد محلی سازی (نقطه 4)
Localization Code Outline (pt 4)
کد محلی سازی (نقطه 4)
Localization Code (pt 4)
طرح کلی کد محلی سازی (نقطه 5)
Localization Code Outline (pt 5)
کد محلیسازی (نقطه 5)
Localization Code (pt 5)
طرح کلی کد محلی سازی (نقطه 6)
Localization Code Outline (pt 6)
کد محلی سازی (نقطه 6)
Localization Code (pt 6)
طرح کلی کد محلی سازی (نقطه 7)
Localization Code Outline (pt 7)
کد محلی سازی (نقطه 7)
Localization Code (pt 7)
بررسی مبانی Keras و Tensorflow 2
Keras and Tensorflow 2 Basics Review
(بررسی) مبانی تنسورفلو
(Review) Tensorflow Basics
(بررسی) شبکه عصبی تنسورفلو در کد
(Review) Tensorflow Neural Network in Code
(بررسی) بحث کراس
(Review) Keras Discussion
(بررسی) شبکه عصبی Keras در کد
(Review) Keras Neural Network in Code
(بررسی) Keras Functional API
(Review) Keras Functional API
(بررسی) چگونه به راحتی Keras را به کد Tensorflow 2.0 تبدیل کنیم
(Review) How to easily convert Keras into Tensorflow 2.0 code
بررسی مبانی Keras و Tensorflow 2
Keras and Tensorflow 2 Basics Review
(بررسی) مبانی تنسورفلو
(Review) Tensorflow Basics
(بررسی) شبکه عصبی تنسورفلو در کد
(Review) Tensorflow Neural Network in Code
(بررسی) بحث کراس
(Review) Keras Discussion
(بررسی) شبکه عصبی Keras در کد
(Review) Keras Neural Network in Code
(بررسی) Keras Functional API
(Review) Keras Functional API
(بررسی) چگونه به راحتی Keras را به کد Tensorflow 2.0 تبدیل کنیم
(Review) How to easily convert Keras into Tensorflow 2.0 code
تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (FAQ by Student Request)
راه اندازی محیط آناکوندا
Anaconda Environment Setup
نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (FAQ by Student Request)
راه اندازی محیط آناکوندا
Anaconda Environment Setup
نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
نحوه کدنویسی توسط خودتان (قسمت 1)
How to Code by Yourself (part 1)
چگونه به تنهایی کدنویسی کنیم (قسمت 2)
How to Code by Yourself (part 2)
اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است
Proof that using Jupyter Notebook is the same as not using it
پایتون 2 در مقابل پایتون 3
Python 2 vs Python 3
کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
نحوه کدنویسی توسط خودتان (قسمت 1)
How to Code by Yourself (part 1)
چگونه به تنهایی کدنویسی کنیم (قسمت 2)
How to Code by Yourself (part 2)
اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است
Proof that using Jupyter Notebook is the same as not using it
پایتون 2 در مقابل پایتون 3
Python 2 vs Python 3
استراتژیهای یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
چگونه در این دوره موفق شویم (نسخه طولانی)
How to Succeed in this Course (Long Version)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1)
Machine Learning and AI Prerequisite Roadmap (pt 1)
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2)
Machine Learning and AI Prerequisite Roadmap (pt 2)
استراتژیهای یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
چگونه در این دوره موفق شویم (نسخه طولانی)
How to Succeed in this Course (Long Version)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1)
Machine Learning and AI Prerequisite Roadmap (pt 1)
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2)
Machine Learning and AI Prerequisite Roadmap (pt 2)
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام.
من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم.
این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند.
من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام.
کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.
نمایش نظرات