Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره جنبه های مفهومی و عملی تصاویر قبل از پردازش را برای به حداکثر رساندن اثر الگوریتم های پردازش تصویر و همچنین پیاده سازی استخراج ویژگی ، کاهش ابعاد و شناسایی عامل پنهان را پوشش می دهد. این دوره بخشی از موارد زیر است: مسیر مهندسی ویژگی همه را بزرگ کنید بررسی اجمالی دوره 1m 54s نمایش تصاویر به عنوان ویژگی هایی برای یادگیری ماشین 47 متر 53s شناسایی ویژگی ها و متن در تصاویر 43 متر 37s ساده پردازش تصویر با استفاده از کاهش ابعاد 36m 49s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
نمایش تصاویر به عنوان ویژگی هایی برای یادگیری ماشین
Representing Images as Features for Machine Learning
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
نمایندگی تصاویر برای یادگیری ماشین
Representing Images for Machine Learning
پیش پردازش تصویر برای ساخت مدل های مقاوم
Image Preprocessing to Build Robust Models
کار با تصاویر به عنوان آرایه ها
Working with Images as Arrays
نمایندگی پیکسل در تصاویر
Representing Pixels in Images
کار با فضای رنگی و رنگی
Working with Color and Color Spaces
تغییر اندازه ، تغییر اندازه ، چرخش ، و واگرد تصاویر
Resizing, Rescaling, Rotating, and Flipping Images
مسدود کردن نماها و جمع کردن
Block Views and Pooling
Denoising تصاویر
Denoising Images
نرمال سازی و سفید شدن ZCA
Normalization and ZCA Whitening
افزودن تصویر با استفاده از تغییرات آب و هوا
Image Augmentation Using Weather Transforms
خلاصه ماژول
Module Summary
شناسایی ویژگی ها و متن در تصاویر
Detecting Features and Text in Images
بررسی اجمالی ماژول
Module Overview
تشخیص ویژگی و اهمیت آن
Feature Detection and Its Importance
نکات و توصیفات کلیدی
Key Points and Descriptors
استفاده از Keypoint حفظ تحولات
Applying Keypoint Preserving Transformations
Scale Invariant Feature Transform (SIFT) ، DAISY و Histogram of Oriented Gradients (HOG)
Scale Invariant Feature Transform (SIFT), DAISY, and Histogram of Oriented Gradients (HOG)
شناسایی و استخراج ویژگی ها با استفاده از SIFT
Feature Detection and Extraction Using SIFT
تشخیص ویژگی با استفاده از توصیف کننده های DAISY
Feature Detection Using DAISY Descriptors
تشخیص ویژگی با استفاده از هیستوگرام گرادیان های گرا
Feature Detection Using Histogram of Oriented Gradients
شناسایی نوری شخصیت با استفاده از Tesseract
Optical Character Recognition Using Tesseract
خلاصه ماژول
Module Summary
ساده پردازش تصویر با استفاده از کاهش ابعاد
Simplifying Image Processing Using Dimensionality Reduction
بررسی اجمالی ماژول
Module Overview
آموزش فرهنگ لغت
Dictionary Learning
نمایندگی پراکنده با استفاده از یادگیری فرهنگ لغت
Sparse Representations Using Dictionary Learning
هسته های همگرایی
Convolution Kernels
تشخیص ویژگی با استفاده از هسته های همگرایی
Feature Detection Using Convolution Kernels
رمزگذاران خودکار
Autoencoders
خواندن و پیش پردازش تصاویر
Reading and Preprocessing Images
طراحی و آموزش Autoencoder
Designing and Training an Autoencoder
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات
نظری ارسال نشده است.