یادگیری ماشین اندروید با TensorFlow lite در جاوا/کوتلین

Android Machine Learning with TensorFlow lite in Java/Kotlin

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ساخت بیش از 10 برنامه اندرویدی مبتنی بر یادگیری ماشین | آموزش مدل های ام ال برای اندروید | استفاده از مدل‌های ML در توسعه برنامه اندروید آموزش مدل‌های یادگیری ماشین برای برنامه‌های اندروید استفاده از مدل‌های Tensorflow Lite در داخل برنامه‌های اندروید با استفاده از جاوا و کاتلین استفاده از مدل‌های آموزش ماشینی آموزش‌دیده در داخل برنامه اندروید با استفاده از مدل‌های یادگیری ماشین Android Studio Train 10+ و ساخت برنامه‌های Android برای آن‌ها مدل ها آموزش و استقرار مدل های طبقه بندی و رگرسیون در اندروید تولید مدل Tensorflow lite از مدل Keras، مدل ذخیره شده، عملکرد بتن آموزش مدل های تشخیص تصویر و ایجاد برنامه های اندروید برای آن مدل ها ساخت طبقه بندی سگ ها و گربه ها برنامه اندروید مشکل کاغذ سنگ و قیچی در اندروید گل ها Application Android Recognition نرم افزار اندروید برای تشخیص سنگ های قیمتی Fruits Recognition نرم افزار اندروید اپلیکیشن اندروید برای پیش بینی تناسب اندام یک فرد مشکل انسان و اسب در اندروید پیش نیازها:دانش بسیار کمی از توسعه اندروید

از دوره های سنتی توسعه برنامه اندروید خسته شده اید؟ اکنون زمان آن است که چیزهای جدید و پرطرفدار برای اندروید یاد بگیرید. یادگیری ماشینی در اوج خود است و توسعه برنامه Android نیز مورد تقاضا است، بنابراین چه چیزی بهتر از یادگیری هر دو است؟


این دوره برای توسعه دهندگان Android طراحی شده است که می خواهند یادگیری ماشینی را بیاموزند و مدل های یادگیری ماشین را در برنامه های Android خود با استفاده از TensorFlow Lite اجرا کنند. اگر دانش بسیار ابتدایی در زمینه توسعه اپلیکیشن اندروید دارید و می خواهید یادگیری ماشینی را در اپلیکیشن های اندروید یاد بگیرید، این دوره برای شما مناسب است. این دوره شما را در ساخت اولین مدل یادگیری عمیق و برنامه اندروید با استفاده از جاوا و Kotlin Tensorflow Lite و Android Studio شروع می کند. ما در مورد یادگیری ماشینی و یادگیری عمیق خواهیم آموخت و سپس اولین مدل شما را آموزش می دهیم و با استفاده از Android Studio آن را در یک برنامه اندروید اجرا می کنیم. تمامی مطالب این دوره رایگان است.


می توانید این دوره را با استفاده از جاوا و کاتلین دنبال کنید. سخنرانی های جداگانه برای هر دوی این زبان ها ارائه شده است.

برای شروع این دوره به دانش قبلی در مورد یادگیری ماشین نیاز ندارید. ما با یادگیری

شروع خواهیم کرد
  • زبان برنامه نویسی پایتون

  • کتابخانه های علوم داده

  • مبانی یادگیری ماشین و یادگیری عمیق

  • Tensorflow و Tensorflow Lite


سپس ما اولین مدل یادگیری ماشین خود را آموزش می‌دهیم و یک برنامه Android با استفاده از Android Studio توسعه می‌دهیم.

این دوره شامل نمونه هایی از مقدماتی تا پیشرفته است

  • یک مثال بسیار ساده برای یادگیری ماشین

  • پیش‌بینی بازده سوخت خودروها (مثال رگرسیون)

  • تشخیص ارقام دست نویس (مثال طبقه بندی)

  • طبقه بندی گربه ها و سگ ها

  • مشکل کاغذ سنگ و قیچی

  • مثال تشخیص گل

  • نمونه تشخیص سنگ

  • مثال تشخیص میوه

  • پیش‌بینی تناسب اندام یک فرد در تمرین فعالیت

  • فعالیت تمرین انسان و اسب

برای هر یک از این مثال‌ها، ابتدا مدل یادگیری ماشینی را آموزش می‌دهیم و سپس یک برنامه Android می‌سازیم


ما با یادگیری اصول اولیه زبان برنامه نویسی پایتون شروع می کنیم. سپس با چند کتابخانه معروف یادگیری ماشین مانند Numpy، Matplotlib و Pandas آشنا خواهیم شد. پس از آن با یادگیری ماشینی و انواع آن آشنا می شویم. سپس به طور مفصل به یادگیری تحت نظارت نگاه می کنیم. ما سعی خواهیم کرد طبقه بندی و رگرسیون را از طریق مثال ها درک کنیم. پس از آن یادگیری عمیق را شروع خواهیم کرد. ما با بررسی و ساختار اساسی شبکه های عصبی شروع می کنیم. سپس از طریق یک مثال کار شبکه های عصبی را درک خواهیم کرد.


سپس با کتابخانه Tensorflow 2.0 و نحوه استفاده از آن برای آموزش مدل‌های یادگیری ماشین آشنا خواهیم شد. پس از آن، به Tensorflow lite و چگونگی تبدیل مدل‌های یادگیری ماشینی به فرمت tflite که در برنامه‌های Android استفاده می‌شود، نگاه خواهیم کرد. سه راه وجود دارد که از طریق آنها می توانید یک فایل tflite

دریافت کنید
  1. از مدل Keras

  2. از عملکرد بتن

  3. از مدل ذخیره شده

ما در این دوره به تمام این سه روش خواهیم پرداخت.

از طریق یک مثال عملی با توابع Feed Forwarding، Back Propagation و activation آشنا خواهیم شد. ما همچنین به تابع هزینه، بهینه ساز، نرخ یادگیری، تطبیق بیش از حد، و حذف نگاه می کنیم. همچنین با تکنیک‌های پیش‌پردازش داده‌ها مانند One hot encoding و Data normalization آشنا می‌شویم.


بعد، یک شبکه عصبی را با استفاده از کتابخانه جدید TensorFlow Google پیاده سازی می کنیم.


اگر یک برنامه‌نویس Android هستید و می‌خواهید اصول یادگیری ماشین (Deep Learning) را بیاموزید و مدل‌های ML را در برنامه‌های Android خود با استفاده از Tensorflow lite و Android Studio استقرار دهید، باید این دوره را بگذرانید.


این دوره مثال‌های عملی زیادی را در اختیار شما قرار می‌دهد تا بتوانید نحوه آموزش و استقرار مدل‌های یادگیری ماشین در اندروید را بیاموزید. ما از Android Studio برای توسعه برنامه های Android برای مدل هایی که آموزش داده ایم استفاده خواهیم کرد.


بخش دیگری در پایان دوره به شما نشان می‌دهد که چگونه می‌توانید از مجموعه داده‌های موجود در قالب‌های مختلف برای چندین هدف عملی استفاده کنید.


بعد از خیس شدن پاهایتان با اصول اولیه، من یک نمای کلی از اینکه چگونه می توانید مدل یادگیری ماشینی خود را در قالب های پروژه های یادگیری ماشینی Android موجود Google اضافه کنید، ارائه می دهم.



این دوره برای چه کسانی است:

  • توسعه دهندگان مبتدی Android می خواهند برنامه های Android خود را هوشمند کنند

  • برنامه‌نویسان Android می‌خواهند از یادگیری ماشینی در برنامه‌های Android خود استفاده کنند

  • توسعه دهندگان علاقه مند به اجرای عملی یادگیری ماشین و بینایی کامپیوتر

  • دانش آموزان علاقه مند به یادگیری ماشینی - تمام نکات مورد نیاز برای افزودن مدل های یادگیری ماشینی در Android با استفاده از Android Studio را دریافت خواهید کرد

  • حرفه‌ایانی که می‌خواهند از مدل‌های یادگیری ماشینی در برنامه‌های Android استفاده کنند.

  • متخصصان یادگیری ماشین می‌خواهند مدل‌های خود را با استفاده از Android Studio و Tensorflow Lite در Android مستقر کنند



سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه و نمای کلی دوره Introduction and course Overview

یادگیری ماشینی و یادگیری عمیق Machine Learning & Deep Learning

  • مقدمه یادگیری ماشین Machine Learning Introduction

  • یادگیری ماشین نظارت شده: رگرسیون و طبقه بندی Supervised Machine Learning: Regression & Classification

  • یادگیری ماشینی بدون نظارت و یادگیری تقویتی Unsupervised Machine Learning & Reinforcement Learning

  • آموزش مدل های یادگیری عمیق و رگرسیون Deep Learning and regression models training

  • مفاهیم اساسی یادگیری عمیق Basic Deep Learning Concepts

پایتون Python

  • معرفی Google Colab Google Colab Introduction

  • مقدمه پایتون و انواع داده Python Introduction & data types

  • لیست های پایتون Python Lists

  • دیکشنری پایتون و تاپل ها Python dictionary & tuples

  • حلقه های پایتون و دستورات شرطی Python loops & conditional statements

  • مدیریت فایل در پایتون File handling in Python

کتابخانه های علوم داده Data Science Libraries

  • معرفی Numpy Numpy Introduction

  • عملیات Numpy Numpy Operations

  • توابع Numpy Numpy Functions

  • معرفی پانداها Pandas Introduction

  • بارگیری CSV در پانداها Loading CSV in pandas

  • مدیریت مقادیر از دست رفته در مجموعه داده با پانداها Handling Missing values in dataset with pandas

  • Matplotlib و نمودارها در پایتون Matplotlib & charts in python

  • برخورد با تصاویر با Matplotlib Dealing images with Matplotlib

Tensorflow و Tensorflow Lite Tensorflow & Tensorflow Lite

  • Tensorflow مقدمه | متغیرها و ثابت ها Tensorflow Introduction | Variables & Constants

  • شکل ها و رتبه های تانسورها Shapes & Ranks of Tensors

  • ضرب ماتریس و تانسورهای ناهموار Matrix Multiplication & Ragged Tensors

  • عملیات تنسورفلو Tensorflow Operations

  • ایجاد مقادیر تصادفی در تنسورفلو Generating Random Values in Tensorflow

  • نقاط بازرسی تنسورفلو Tensorflow Checkpoints

مثال رگرسیون پایه Basic Regression Example

  • بخش مقدمه Section Introduction

  • آموزش یک مدل رگرسیون پایه برای اندروید Training a basic regression model for Android

  • آزمایش مدل آموزش دیده ما و تبدیل آن به فرمت tensorflow lite Testing our trained model and converting it to tensorflow lite format

  • آموزش یک نمای کلی مدل رگرسیون پایه Training a basic regression model overview

  • تحلیل مدل‌های آموزش‌دیده تنسورفلو لایت Analysing trained tensorflow lite models

  • ایجاد پروژه اندروید جدید و ساخت رابط کاربری گرافیکی اپلیکیشن Creating new android project and building GUI of application

  • افزودن کتابخانه tensorflow lite در اندروید و بارگذاری مدل tflite Adding tensorflow lite library in Android and loading tflite model

  • انتقال ورودی به مدل tflite و خروجی گرفتن در اندروید Passing input to tflite model and getting output in Android

  • استفاده از مدل اولیه tflite در نمای کلی اندروید Using basic tflite model in Android overview

آموزش مدل پیش بینی بازده سوخت و ساخت اپلیکیشن اندروید Training Fuel Efficiency Prediction Model and Building Android Application

  • دریافت مجموعه داده برای آموزش مدل‌های tensorflow lite Getting dataset for training tensorflow lite models

  • بارگذاری مجموعه داده برای مدل های رگرسیون آموزشی Loading dataset for training regression models

  • مدیریت مقادیر از دست رفته در مجموعه داده Handling missing values in dataset

  • مدیریت ستون های طبقه بندی شده در مجموعه داده Handling categorical columns in dataset

  • تقسیم مجموعه داده به آموزش و آزمایش Dividing dataset into training and testing

  • نرمال سازی مجموعه داده Dataset normalization

  • آموزش پیش‌بینی بازده سوخت مدل tensorflow lite Training fuel efficiency prediction tensorflow lite model

  • تست مدل و تبدیل آن به فرمت tensorflow lite Testing model and converting it tensorflow lite format

  • بررسی اجمالی آموزش مدل پیش بینی بازده سوخت Fuel Efficiency prediction model training overview

  • راه اندازی پروژه اندروید برای برنامه پیش بینی بهره وری سوخت Setting up Android project for fuel efficiency prediction application

  • کاری که ما تاکنون انجام داده ایم What we have done so far

  • بارگذاری مدل tensorflow lite در اندروید و آماده سازی ورودی برای مدل Loading tensorflow lite model in Android and preparing input for model

  • عادی سازی داده ها در اندروید برای ورودی مدل Normalizing data in Android for model input

  • ارسال ورودی به مدل tflite در اندروید و خروجی گرفتن Passing input to tflite model in Android and getting output

  • آزمایش پیش بینی بهره وری سوخت برنامه اندروید Testing fuel efficiency prediction android application

  • بررسی اجمالی برنامه اندروید پیش بینی کارایی سوخت Fuel Efficiency Prediction Android App Overview

نمونه عملکرد بتن و مدل ذخیره شده Concrete function and Saved model examples

  • Android Tensorflow lite مثال عملکرد بتن Android Tensorflow lite Concrete Function Example

  • Android Tensorflow lite نمونه مدل ذخیره شده Android Tensorflow lite Saved Model Example

برنامه تشخیص ارقام دست نویس Handwritten digits recognition application

  • Android ML: بارگیری مجموعه داده Android ML: Loading the dataset

  • Android ML: Matplotlib و عادی سازی داده ها Android ML: Matplotlib and normalizing data

  • Android ML: آموزش مدل تشخیص رقم Android ML: Training digit recognition model

  • Android ML: ارزیابی مدل و ایجاد فایل tflite Android ML: Evaluating model and creating tflite file

  • Android ML: برنامه تشخیص رقم 1 Android ML: Digit Recognizer Application 1

  • Android ML: قسمت 2 برنامه تشخیص رقم Android ML: Digit Recognizer Application Part 2

  • Android ML: قسمت 3 برنامه تشخیص رقم Android ML: Digit Recognizer Application Part 3

  • Android ML: تست برنامه تشخیص رقم Android ML: Testing digit recognition Application

  • Kotlin: برنامه Android Recognizer Kotlin: Digit Recognizer Android Application

بخش شناخت Recognition Section

  • Android ML: Transfer Learning Android ML: Transfer Learning

  • Android ML: Google Colab Android ML: Google Colab

  • Android ML: مجموعه داده بارگیری شناسایی گل Android ML: Flower Recognition loading data set

  • Android ML: مدل آموزش و ارزیابی تشخیص گل Android ML: Flower Recognition Training and evaluating model

  • Android ML: فرآیند تفصیلی شناسایی گل Android ML: Flower Recognition Detailed Process

  • Android ML: مدل شناسایی گل Android ML: Flower Recognition model

  • Android ML: ارزیابی مدل tflite Android ML: Evaluating tflite model

طبقه بندی گربه ها و سگ ها Cats and Dogs Classification

  • Android ML: مدل آموزش گربه و سگ Android ML: Train cats and dogs model

  • Android ML Java: ساخت برنامه طبقه بندی گربه ها و سگ ها Android ML Java: Build Cats and dogs classification Application

  • Android ML Kotlin: Build Cats and dogs classification application Android ML Kotlin: Build Cats and dogs classification Application

مشکل کاغذ سنگ و قیچی Rock Paper and Scissors Problem

  • Android ML: آموزش مدل قیچی کاغذ سنگ Android ML: Training rock paper scissors model

  • Android ML Java: Rock Paper and Scissor اپلیکیشن اندروید Android ML Java: Rock Paper and Scissor Android Application

  • Android ML Kotlin: نرم افزار اندروید راک کاغذ و قیچی Android ML Kotlin: Rock Paper and Scissor Android Application

فعالیت 1 را تمرین کنید تناسب اندام یک فرد را پیش بینی کنید Practice Activity 1 Predict Fitness of a Person

  • Android ML: مقدمه Android ML: Introduction

  • Android ML: Fitness Practice Activity 1 Part 1 Android ML: Fitness Practice Activity 1 Part 1

  • Android ML: Fitness Practice Activity 1 Part 2 Android ML: Fitness Practice Activity 1 Part 2

  • Android ML: Fitness Practice Activity 1 Part 3 Android ML: Fitness Practice Activity 1 Part 3

  • Android ML: Fitness Practice Activity 1 Part 4 Android ML: Fitness Practice Activity 1 Part 4

  • Android ML: راه حل فعالیت 1 تمرین تناسب اندام Android ML: Fitness Practice Activity 1 Solution

  • Android ML: Fitness Practice Activity 1 Application 1 Android ML: Fitness Practice Activity 1 Application 1

  • Android ML: Fitness Practice Activity 1 Application 2 Android ML: Fitness Practice Activity 1 Application 2

تمرین فعالیت 2 انسان و اسب Practice Activity 2 Human and Horses

  • Android ML: Human and Hors Assignment Android ML: Human and horses Assignment

  • Android ML: آموزش انسان و مدل اسب Android ML: Training Human and Horses model

  • Android ML Java: ساخت برنامه طبقه بندی انسان و اسب Android ML Java: Build Human and Horses classification Application

  • Android ML Kotlin: Build Human and Horses Classification App Android ML Kotlin: Build Human and Horses classification Application

پاداش Bonus

  • Android ML: کار با تصاویر قسمت 1 Android ML: Working with images Part 1

  • Android ML: کار با تصاویر قسمت 2 Android ML: Working with images Part 2

  • Android ML: کار با CSV Android ML: Working with CSV

نمایش نظرات

Udemy (یودمی)

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.

یادگیری ماشین اندروید با TensorFlow lite در جاوا/کوتلین
جزییات دوره
7 hours
90
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
25,441
3.1 از 5
دارد
ندارد
ندارد
Hamza Asif
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Hamza Asif Hamza Asif

برنامه نویس اندروید | مربی

سلام، من حمزه هستم.

من مدرک علوم کامپیوتر دارم و علاقه زیادی به توسعه اندروید دارم.

تقویت برنامه Android با ML واقعاً من را مجذوب خود می کند. بنابراین من توسعه اندروید و سپس یادگیری ماشین را یاد گرفتم. من برنامه های اندرویدی را برای چندین سازمان چند ملیتی توسعه دادم. اکنون می خواهم دانشی را که دارم گسترش دهم. من همیشه به این فکر می‌کنم که چگونه مفاهیم دشوار را به راحتی درک کنم، چه نوع پروژه‌هایی می‌توانند یک آموزش سرگرم‌کننده باشند، و چگونه می‌توانم به شما در موفقیت در دوره‌هایم کمک کنم.