آموزش تسلط بر بخش‌بندی تصاویر (Image Segmentation) با PyTorch - آخرین آپدیت

دانلود Mastering Image Segmentation with PyTorch

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و در لحظه که به شما کمک می‌کند دانش خود را آزمایش کنید، پیش‌فرض‌ها را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. سفری جامع برای تسلط بر بخش‌بندی تصاویر با PyTorch را آغاز کنید که هم برای مبتدیان و هم برای یادگیرندگان پیشرفته طراحی شده است. این دوره بررسی دقیقی از بخش‌بندی تصاویر را ارائه می‌دهد که از مفاهیم بنیادی شروع شده و به سمت تکنیک‌های پیشرفته با استفاده از پروژه‌های واقعی پیش می‌رود. ابتدا با درک مبانی بخش‌بندی تصاویر، شامل انواع مختلف و کاربردهای آن شروع کنید. با PyTorch به صورت عملی کار کنید و ضروریات تنسورها، گراف‌های محاسباتی و آموزش مدل را بیاموزید. پیچیدگی‌های رگرسیون خطی و اهمیت تنظیم هایپرپارامترها را بررسی کرده و پایه‌ای محکم در اصول یادگیری ماشین کسب کنید. سپس به سراغ شبکه‌های عصبی پیچشی (CNNs) بروید و عمیقاً در ساختار، محاسبات لایه‌ها و تکنیک‌های پیش‌پردازش تصویر غوطه‌ور شوید. بیاموزید که چگونه CNNها تحلیل تصویر را متحول کرده‌اند و کاربرد آن‌ها را در سناریوهای دنیای واقعی درک کنید. نقطه اوج این دوره، مطالعه عمیق بخش‌بندی معنایی (Semantic Segmentation) است. معماری‌ها، روش‌های بیش‌نمونه‌برداری (Upsampling) و توابع زیان (Loss Functions) را که مدل‌های بخش‌بندی موفق را تعریف می‌کنند، کشف کنید. در جلسات کدنویسی عملی برای آماده‌سازی داده‌ها، ساخت مدل‌ها و ارزیابی عملکرد آن‌ها با استفاده از معیارهای استاندارد صنعت شرکت کنید. در پایان این دوره، درک کاملی از بخش‌بندی تصاویر با PyTorch خواهید داشت و مهارت‌های لازم برای مقابله با وظایف پیچیده بخش‌بندی در کاربردهای مختلف دنیای واقعی را کسب خواهید کرد. این دوره برای دانشمندان داده، متخصصان هوش مصنوعی و علاقه‌مندان به یادگیری ماشین که می‌خواهند دانش خود را در زمینه بخش‌بندی تصاویر و PyTorch افزایش دهند، ایده‌آل است. همچنین برای کسانی که درک اولیه‌ای از پایتون دارند و مشتاق هستند تکنیک‌های یادگیری عمیق را در پروژه‌های واقعی به کار بگیرند، بسیار مناسب است.

سرفصل ها و درس ها

معرفی دوره و راه‌اندازی Course Overview and Setup

  • بخش‌بندی تصاویر (مبانی) Image Segmentation (101)

  • دامنه و اهداف دوره Course Scope

  • راه‌اندازی سیستم System Setup

  • نحوه دریافت مطالب How to Get the Material

  • راه‌اندازی محیط Conda Conda Environment Setup

مقدمه‌ای بر PyTorch (مرور کلی) PyTorch Introduction (Refresher)

  • مرور کلی بخش مدل‌سازی Modelling Section Overview

  • مقدمه‌ای بر PyTorch (مبانی) PyTorch Introduction (101)

  • آشنایی با تنسورها Tensor Introduction

  • از تنسورها تا گراف‌های محاسباتی (مبانی) From Tensors to Computational Graphs (101)

  • تنسورها (کدنویسی) Tensor (Coding)

  • رگرسیون خطی از صفر (کدنویسی، آموزش مدل) Linear Regression from Scratch (Coding, Model Training)

  • رگرسیون خطی از صفر (کدنویسی، ارزیابی مدل) Linear Regression from Scratch (Coding, Model Evaluation)

  • کلاس مدل (کدنویسی) Model Class (Coding)

  • تمرین: نرخ یادگیری و تعداد Epochها Exercise - Learning Rate and Number of Epochs

  • پاسخ تمرین: نرخ یادگیری و تعداد Epochها Solution - Learning Rate and Number of Epochs

  • بچ‌ها یا دسته‌ها (مبانی) Batches (101)

  • بچ‌ها یا دسته‌ها (کدنویسی) Batches (Coding)

  • دیتاست‌ها و دیتالودرها (مبانی) Datasets and Dataloaders (101)

  • دیتاست‌ها و دیتالودرها (کدنویسی) Datasets and Dataloaders (Coding)

  • ذخیره و بارگذاری مدل‌ها (مبانی) Saving and Loading Models (101)

  • ذخیره و بارگذاری مدل‌ها (کدنویسی) Saving and Loading Models (Coding)

  • آموزش مدل (مبانی) Model Training (101)

  • تنظیم هایپرپارامترها (مبانی) Hyperparameter Tuning (101)

  • تنظیم هایپرپارامترها (کدنویسی) Hyperparameter Tuning (Coding)

شبکه‌های عصبی پیچشی CNN (مرور کلی) Convolutional Neural Networks (Refresher)

  • مقدمه‌ای بر CNN (مبانی) CNN Introduction (101)

  • شبکه CNN (تعاملی) CNN (Interactive)

  • پیش‌پردازش تصاویر (مبانی) Image Preprocessing (101)

  • پیش‌پردازش تصاویر (کدنویسی) Image Preprocessing (Coding)

  • محاسبات لایه‌ها (مبانی) Layer Calculations (101)

  • محاسبات لایه‌ها (کدنویسی) Layer Calculations (Coding)

بخش‌بندی معنایی Semantic Segmentation

  • معماری مدل (مبانی) Architecture (101)

  • بیش‌نمونه‌برداری یا Upsampling (مبانی) Upsampling (101)

  • توابع زیان (مبانی) Loss Functions (101)

  • معیارهای ارزیابی (مبانی) Evaluation Metrics (101)

  • مقدمه‌ای بر کدنویسی (مبانی) Coding Introduction (101)

  • مقدمه‌ای بر آماده‌سازی داده‌ها (مبانی) Data Prep Introduction (101)

  • آماده‌سازی داده‌ها ۱: ایجاد پوشه‌ها (کدنویسی) Data Prep I - Create Folders (Coding)

  • آماده‌سازی داده‌ها ۲: تابع Patches (کدنویسی) Data Prep II - Patches Function (Coding)

  • آماده‌سازی داده‌ها ۳: ایجاد تمام تصاویر Patch (کدنویسی) Data Prep III - Create All Patch-Images (Coding)

  • مدل‌سازی: دیتاست (کدنویسی) Modelling - Dataset (Coding)

  • مدل‌سازی: تنظیمات مدل (کدنویسی) Modelling - Model Setup (Coding)

  • مدل‌سازی: حلقه آموزش (کدنویسی) Modelling - Training Loop (Coding)

  • مدل‌سازی: زیان‌ها و ذخیره‌سازی (کدنویسی) Modelling - Losses and Saving (Coding)

  • ارزیابی مدل: محاسبه معیارها (کدنویسی) Model Evaluation - Calc Metrics (Coding)

  • ارزیابی مدل: بررسی پیش‌بینی‌ها (کدنویسی) Model Evaluation - Check Prediction (Coding)

نمایش نظرات

آموزش تسلط بر بخش‌بندی تصاویر (Image Segmentation) با PyTorch
جزییات دوره
6h 29m
45
(آخرین آپدیت)
244
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده