آموزش یادگیری عمیق با پایتون: شبکههای عصبی پیچشی (CNN) - آخرین آپدیت
دانلود Deep Learning with Python: Convolutional Neural Networks
دنیای شگفتانگیز شبکههای عصبی پیچشی (CNNs) را کاوش کنید و دریابید که چگونه این شبکهها حوزه بینایی ماشین و یادگیری عمیق را متحول کردهاند. در این دوره، بلوکهای سازنده CNNها را درک کرده و با تمرینات عملی در پایتون، بر کاربردهای واقعی مانند طبقهبندی تصاویر، تشخیص اشیاء و بخشبندی تصاویر مسلط میشوید. مدرس دوره، فرد نوانگانگا، به شما کمک میکند تا در طراحی، پیادهسازی و بهینهسازی مدلهای CNN مهارت پیدا کنید. همچنین درک خود را از معماریهای پیشرفتهای مانند VGG Net، ResNet و EfficientNet ارتقا داده و نحوه استفاده از مدلهای پیشآموزشدیده (Pretrained) برای افزایش دقت و کارایی را بیاموزید. این دوره برای دانشمندان داده، علاقهمندان به یادگیری ماشین و توسعهدهندگانی که آشنایی پایهای با یادگیری عمیق و مهارتهای برنامهنویسی پایتون دارند، طراحی شده است تا تکنیکهای پیشرفته یادگیری ماشین را فرا بگیرند.
این دوره با GitHub Codespaces یکپارچه شده است؛ یک محیط توسعه ابری فوری که تمام قابلیتهای IDE مورد علاقه شما را بدون نیاز به نصب محلی روی سیستم فراهم میکند. با GitHub Codespaces، شما میتوانید در هر زمان و روی هر دستگاهی تمرینات عملی را انجام دهید و با ابزاری کار کنید که احتمالاً در محیطهای کاری واقعی با آن مواجه خواهید شد. برای شروع، بخش «استفاده از GitHub Codespaces» را در این دوره بررسی کنید.
مقدمه Introduction
-
استفاده از فایلهای تمرینی Using the exercise files
-
پیشنیازهای لازم What you should know
-
استفاده از شبکههای عصبی پیچشی (CNNs) با پایتون Using convolutional neural networks (CNNs) with Python
1. بینایی ماشین 1. Computer Vision
-
بینایی ماشین چیست؟ What is computer vision?
-
افزایش دادههای تصویری (Augmentation) در پایتون Augmenting image data in Python
-
تاریخچه کوتاهی از بینایی ماشین A brief history of computer vision
-
پیشپردازش دادههای تصویری در پایتون Preprocessing image data in Python
-
درک دادههای تصویری Understanding image data
2. شبکههای عصبی پیچشی (CNNs) 2. CNNs
-
چرا CNNها برای بینایی ماشین بسیار موثر هستند؟ Why are CNNs so effective for computer vision?
-
لایههای پیچشی و فیلترها Convolutional layers and filters
-
شبکههای عصبی پیچشی (CNNs) CNNs
-
لایههای Pooling Pooling layers
-
لایههای تمام متصل (Fully Connected) Fully connected layers
3. طبقهبندی تصاویر با CNNها 3. Image Classification with CNNs
-
آموزش یک CNN در پایتون Training a CNN in Python
-
تعریف یک CNN در پایتون Defining a CNN in Python
-
آمادهسازی برای ساخت یک CNN در پایتون Preparing to build a CNN in Python
4. معماریهای CNN 4. CNN Architectures
-
معماری ResNet ResNet
-
معماری MobileNet MobileNet
-
معماری EfficientNet EfficientNet
-
شبکههای Inception Inception networks
-
معماری VGGNet VGGNet
5. وظایف رایج بینایی ماشین 5. Common Computer Vision Tasks
-
طبقهبندی تصاویر چیست؟ What is image classification?
-
بخشبندی تصاویر چیست؟ What is image segmentation?
-
استفاده از مدل پیشآموزشدیده برای تشخیص اشیاء در پایتون Using a pretrained model for object detection in Python
-
تشخیص اشیاء چیست؟ What is object detection?
-
استفاده از مدل پیشآموزشدیده برای بخشبندی تصاویر در پایتون Using a pretrained model for image segmentation in Python
-
استفاده از مدل پیشآموزشدیده برای طبقهبندی تصاویر در پایتون Using a pretrained model for image classification in Python
نتیجهگیری Conclusion
-
ادامه مسیر در یادگیری عمیق Continuing with deep learning
https://donyad.com/d/a9120c
Frederick Nwanganga
کارشناس و مدرس فناوری اطلاعات
او بیش از 15 سال تجربه تحلیلی دارد و دوره های کارشناسی ارشد و لیسانس در مدیریت داده، یادگیری ماشین و تجزیه و تحلیل داده های بدون ساختار را در کالج تجارت مندوزا در دانشگاه نوتردام تدریس می کند. قبل از پیوستن به مندوزا به عنوان استاد تمام وقت، فرد تقریباً 20 سال در زمینه فناوری اطلاعات در چندین سمت به عنوان توسعه دهنده نرم افزار، تحلیلگر تجاری، مدیر پایگاه داده، مدیر پروژه و مدیر فناوری کار کرد. او به مدت سه سال یک شرکت مشاوره خدمات کسب و کار فناوری اطلاعات را تأسیس کرد و آن را اداره کرد و نویسنده کتاب درسی یادگیری ماشینی به نام یادگیری ماشین عملی در R.
نمایش نظرات