لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش شبکههای عصبی پیچشی (CNNs)
- آخرین آپدیت
دانلود Convolutional Neural Networks (CNNs)
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
متخصصان یادگیری ماشین اغلب از شبکههای عصبی پیچشی (CNNs) به عنوان جعبههای سیاه استفاده میکنند که این امر توانایی آنها را در تشخیص مشکلات، انتخاب معماریهای مناسب یا توضیح رفتار مدل به ذینفعان محدود میکند.
در این دوره آموزشی، شما توانایی درک نحوه پردازش دادههای مکانی توسط CNNها را به دست میآورید و میتوانید تصمیمات معماری آگاهانهای برای وظایف بینایی ماشین بگیرید.
در ابتدا، بلوکهای سازنده بنیادی CNNها، از جمله لایههای پیچشی (Convolutional)، عملیات pooling و نحوه رفع محدودیتهای شبکههای کاملاً متصل (Fully Connected) توسط این اجزا را بررسی خواهید کرد.
سپس، کشف خواهید کرد که CNNها چگونه بازنماییهای سلسلهمراتبی ویژگیها را از طریق آموزش، از لبههای سطح پایین تا شناسایی اشیاء سطح بالا، یاد میگیرند.
در نهایت، خواهید آموخت که معماریهای برجستهای مانند LeNet، AlexNet، VGG و ResNet چگونه برای حل مسائل پیچیده بینایی تکامل یافتهاند.
پس از اتمام این دوره، شما مهارتها و دانش لازم در زمینه شبکههای عصبی پیچشی را برای ارزیابی، انتخاب و استدلال در مورد معماریهای CNN برای کاربردهای واقعی پردازش تصویر خواهید داشت.
سرفصل ها و درس ها
بلوکهای سازنده شبکههای عصبی پیچشی
Building Blocks of Convolutional Neural Networks
معرفی دوره
Course Introdution
چرا به CNNها نیاز داریم؟
Why Do We Need CNNs?
اتصالات محلی و اشتراک پارامترها
Local Connectivity and Parameter Sharing
لایههای پیچشی چیستند؟
What Are Convolutional Layers?
لایههای Pooling و توابع فعالساز
Pooling Layers and Activation Functions
کاربردهای واقعی CNN
Real-world CNN Applications
آموزش CNNها برای شناسایی الگوها
Training CNNs to See Patterns
CNNها چگونه درک بصری ایجاد میکنند؟
How Do CNNs Build Visual Understanding?
از استخراج ویژگیها تا طبقهبندی
From Features to Classification
توضیح فرآیند آموزش
The Training Process Explained
عوامل مؤثر بر همگرایی
Factors Affecting Convergence
تکامل معماریهای CNN
Evolution of CNN Architectures
تولد CNNها با LeNet
The Birth of CNNs with LeNet
AlexNet و انقلاب یادگیری عمیق
AlexNet and the Deep Learning Revolution
VGG و قدرت عمق شبکه
VGG and the Power of Depth
ResNet و اتصالات جهشی (Skip Connections)
ResNet and Skip Connections
فراتر از CNNها و آینده این فناوری
Beyond CNNs and What’s Next
Pratheerth یک دانشمند داده است که پس از ترکیبی التقاطی از تجربیات کاری و کاری وارد این حوزه شده است. وی دارای مدرک کارشناسی مهندسی در مکاترونیک از هند ، کارشناسی ارشد مدیریت مهندسی از استرالیا و سپس چند سال سابقه کار به عنوان مهندس تولید در خاورمیانه است. سپس هنگامی که اشکال A.I او را گاز گرفت ، او همه چیز را رها کرد تا زندگی خود را وقف این میدان کند. وی در حال حاضر به عنوان Data Scientist در زمینه مشاوره ، ایجاد دوره و فریلنسینگ کار می کند.
نمایش نظرات