آموزش [AI] یک برنامه تشخیص اشیاء با پایتون و انگولار بسازید

دانلود [AI] Build a Object Recognition App with Python & Angular

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: برنامه های وب مبتنی بر هوش مصنوعی را با استفاده از FastAPI و Angular توسعه دهید. یادگیری ماشینی با پایتون برای توسعه دهندگان. مبانی یادگیری ماشینی و هوش مصنوعی با برنامه نویسی پایه در پایتون و فریمورک های تایپ اسکریپت Handle مانند FastAPI و Angular Build دنیای واقعی برنامه تشخیص شی مدرن پیش نیازها: بدون نیاز به تجربه برنامه نویسی. فقط کامپیوتر و دسترسی به اینترنت

[AI] ایجاد یک برنامه وب شناسایی اشیاء با Python Angular

برنامه های وب مبتنی بر هوش مصنوعی را با FastAPI و Angular بسازید. یادگیری ماشینی با Python را برای توسعه دهندگان کشف کنید.

این دوره جامع، "[AI] ایجاد یک برنامه وب شناسایی شی با Python Angular" برای توانمندسازی توسعه دهندگان با مهارت های ساخت برنامه های کاربردی مبتنی بر هوش مصنوعی طراحی شده است. با ترکیب قدرت FastAPI، TensorFlow، و Angular، دانش‌آموزان می‌آموزند که یک برنامه وب شناسایی شیء تمام پشته ایجاد کنند که پتانسیل یادگیری ماشین را در توسعه وب مدرن به نمایش می‌گذارد.

در طول این دوره عملی، شرکت‌کنندگان با تمرکز اصلی روی Python برای توسعه هوش مصنوعی و باطن و TypeScript برای پیاده‌سازی frontend، عمیقاً به فناوری‌های Backend و Frontend می‌پردازند. این دوره با معرفی دانش‌آموزان با اصول یادگیری ماشین و بینایی کامپیوتر آغاز می‌شود و پایه‌ای محکم در مفاهیم هوش مصنوعی ضروری برای وظایف تشخیص اشیا فراهم می‌کند.


***سلب مسئولیت*** این دوره بخشی از مجموعه 2 برنامه کاربردی است که در آن ما همان برنامه را با فناوری های مختلف از جمله Angular و React می سازیم. لطفاً چارچوب ظاهری را انتخاب کنید که برای شما مناسب است.


سپس دانش‌آموزان چارچوب FastAPI را بررسی می‌کنند و یاد می‌گیرند که چگونه APIهای REST کارآمد و مقیاس‌پذیر ایجاد کنند که به عنوان ستون فقرات برنامه عمل می‌کنند. این بخش موضوعاتی مانند رسیدگی به درخواست، اعتبارسنجی داده ها، و برنامه نویسی ناهمزمان در پایتون را پوشش می دهد و اطمینان حاصل می کند که پشتیبان می تواند نیازهای پردازش تشخیص شی را در زمان واقعی انجام دهد.

قلب این دوره در مؤلفه یادگیری ماشینی آن نهفته است، جایی که دانش آموزان به طور گسترده با TensorFlow برای ساخت و آموزش مدل های تشخیص شی سفارشی کار خواهند کرد. شرکت کنندگان نحوه آماده سازی مجموعه داده ها، طراحی معماری شبکه های عصبی و تنظیم دقیق مدل های از پیش آموزش دیده برای عملکرد بهینه را خواهند آموخت. این دوره همچنین موضوعات ضروری مانند افزایش داده ها، یادگیری انتقال، و تکنیک های ارزیابی مدل را پوشش می دهد.

در قسمت جلو، دانش آموزان از Angular و TypeScript برای ایجاد یک رابط کاربری پویا و پاسخگو استفاده می کنند. این بخش بر روی ساخت اجزای قابل استفاده مجدد، مدیریت وضعیت برنامه با سرویس ها و مشاهده پذیرها، و اجرای به روز رسانی های بلادرنگ برای نمایش نتایج تشخیص اشیا تمرکز دارد. شرکت‌کنندگان همچنین یاد می‌گیرند که چگونه از ویژگی‌های قدرتمند Angular مانند تزریق وابستگی، مسیریابی، و فرم‌های واکنشی برای ایجاد یک برنامه frontend قوی و مقیاس‌پذیر استفاده کنند.

در طول دوره، تاکید بر بهترین شیوه ها در توسعه نرم افزار، از جمله سازماندهی کد و ساختار پروژه خواهد بود. دانش‌آموزان معماری ماژولار Angular را بررسی می‌کنند و یاد می‌گیرند که چگونه برنامه‌های خود را به طور مؤثر در ماژول‌های ویژگی و ماژول‌های مشترک سازماندهی کنند. آنها همچنین بینش هایی در مورد استقرار برنامه های کاربردی وب مبتنی بر هوش مصنوعی، با در نظر گرفتن عواملی مانند سرویس دهی مدل، مقیاس پذیری، و بهینه سازی عملکرد به دست خواهند آورد.

در پایان دوره، شرکت‌کنندگان یک برنامه وب کاملاً کاربردی برای تشخیص اشیا ایجاد می‌کنند و تجربه عملی در ترکیب فناوری‌های هوش مصنوعی با چارچوب‌های توسعه وب مدرن به دست می‌آورند. این رویکرد مبتنی بر پروژه تضمین می‌کند که دانش‌آموزان نه تنها مفاهیم نظری را درک می‌کنند، بلکه مهارت‌های عملی لازم برای ساخت برنامه‌های کاربردی مبتنی بر هوش مصنوعی در سناریوهای دنیای واقعی را نیز کسب می‌کنند.

چه شما یک توسعه‌دهنده با تجربه هستید که به دنبال گسترش مجموعه مهارت‌های خود هستید یا علاقه‌مند به هوش مصنوعی و مشتاق به زندگی کردن مدل‌های یادگیری ماشینی در وب، این دوره ترکیبی عالی از تئوری و عمل را ارائه می‌دهد تا به شما در دستیابی به اهداف خود در این زمینه کمک کند. زمینه هیجان انگیز توسعه وب مبتنی بر هوش مصنوعی با استفاده از Angular و Python.




جلد طراحی شده توسط FreePik


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • هوش مصنوعی، یادگیری ماشین و یادگیری عمیق AI, Machine Learning and Deep Learning

  • شبکه های عصبی متشنج (CNN) Convulent Neural Networks (CNNs)

  • نصب VSCode Installing VSCode

  • پسوندهای VSCode VSCode Extensions

  • بهترین راه برای استفاده از این دوره Best way to take advantage of this course

  • آزمون هوش مصنوعی، یادگیری ماشین و یادگیری عمیق AI, Machine Learning and Deep Learning Quiz

FastAPI و Python Setup FastAPI and Python Setup

  • Python و FastAPI چیست؟ What is Python and FastAPI?

  • نصب پایتون برای MacOS Installing Python for MacOS

  • نصب پایتون برای ویندوز Installing Python for Windows

  • نصب و اجرای FastAPI Installing and running FastAPI

  • یک مسیر نمونه دیگر Another Example Route

  • اجرای سرور با Uvicorn Running the server with Uvicorn

  • نصب پکیج ها با استفاده از request.txt Installing packages using requirements.txt

راه اندازی Angular Application Angular Application Setup

  • Angular و Typescript چیست؟ What is Angular and Typescript?

  • نصب NodeJS Installing NodeJS

  • Angular CLI و ایجاد اولین برنامه Angular CLI and creating first app

  • ایجاد کامپوننت ImageControl Creating ImageControl Component

  • قالب اول و شرایط First Template and Conditions

  • ورودی ها و الگوی ادامه Inputs and Continuing Template

ایجاد و تنظیم مدل پیش بینی Creating and Setting Prediction Model

  • توضیح TensorFlow، SSDMobileNet V2 و Coco Dataset Explaining TensorFlow, SSDMobileNet V2 and Coco Dataset

  • افزودن MobileNetV2 SSD و COCO Model DataSet Adding MobileNetV2 SSD and COCO Model DataSet

  • بارگیری مدل از پیش آموزش دیده در برنامه Loading PreTrained Model Into App

  • اجرای تابع استنتاج Run Inference Function

  • پیش بینی مسیر Predict Route

  • برچسب_نقشه Label_Map

  • بازگرداندن نتایج از پیش بینی مسیر Returning Results from Predict Route

  • آزمایش مسیر ما Testing our Route

افزودن اطلاعات سرور به Frontend Adding Server Data to Frontend

  • ایجاد سرویس Angular Creating Angular Service

  • نوع پیش بینی Prediction Type

  • آپلود عملکرد تصویر در سرویس Upload Image Function in Service

  • وارد کردن سرویس به کامپوننت Importing Service into Component

  • در حال نهایی شدن قالب Finalizing Template

  • HTTPClient را ارائه دهید Provide HTTPClient

  • OnFile انتخاب شد OnFile Selected

  • تابع UploadImage UploadImage Function

  • کلید API API Key

  • مدیریت آپلود تصویر و خطاها Handling Image Upload and Errors

  • افزودن UploadImage به Template و NetworkError Adding UploadImage to Template and NetworkError

  • CORS مجاز است Allow CORS

  • تست کردن نتایج Testing the Results

سخنرانی های اضافی Additional Lectures

  • تقسیم به اجزای کوچکتر Splitting into smaller components

  • ورودی های زاویه ای Angular Inputs

  • خطاها و اشتباهات پیش بینی Prediction Errors and Mistakes

  • موارد و محدودیت ها استفاده کنید Use cases and Limitations

پاداش Bonus

  • پاداش Bonus

نمایش نظرات

آموزش [AI] یک برنامه تشخیص اشیاء با پایتون و انگولار بسازید
جزییات دوره
3 hours
45
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,002
5 از 5
دارد
دارد
دارد
Tiago Pereira
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Tiago Pereira Tiago Pereira

Full Stack Web and Mobile DeveloperHi! نام من Tiago Pereira است و من یک توسعه دهنده وب و موبایل Full Stack هستم که در حال حاضر برای یک شرکت بین المللی بزرگ به عنوان توسعه دهنده نرم افزار کار می کنم. من چندین سال تجربه ساختن برنامه های کاربردی وب و موبایلی کوچک تا بزرگ دارم که به عملکردها، اهداف و سیستم های مختلف دسترسی دارند. من مشتاق استک MEAN و MERN، و همچنین چارچوب‌های React Native، Ionic و Electron هستم، که به من اجازه می‌دهد طیف وسیعی از برنامه‌های کاربردی را برای وب، موبایل و دسکتاپ بسازم. نمی توانم صبر کنم تا دانش خود را با دانش آموزانم به اشتراک بگذارم، بنابراین با هم برنامه های عالی برای تغییر جهان ایجاد می کنیم!