لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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)
نمایش نظرات