آموزش اصول چشم انداز رایانه با Google Cloud

Computer Vision Fundamentals with Google Cloud

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: این دوره انواع مختلفی از موارد استفاده از دید کامپیوتر را شرح می دهد و سپس استراتژی های مختلف یادگیری ماشین را برای حل این موارد استفاده برجسته می کند. این دوره انواع مختلف موارد استفاده از دید کامپیوتر را شرح می دهد و سپس استراتژی های مختلف یادگیری ماشین را برای حل این موارد استفاده برجسته می کند. استراتژی‌ها از آزمایش مدل‌های ML از پیش ساخته شده از طریق APIهای از پیش ساخته شده ML و AutoML Vision گرفته تا ساخت طبقه‌بندی‌کننده‌های تصویر سفارشی با استفاده از مدل‌های خطی، مدل‌های شبکه عصبی عمیق (DNN) یا مدل‌های شبکه عصبی کانولوشنال (CNN) متفاوت است. این دوره نشان می‌دهد که چگونه می‌توان دقت مدل را با تقویت، استخراج ویژگی، و تنظیم دقیق پارامترهای فوق‌العاده بهبود بخشید، در حالی که سعی می‌کنید از تطبیق بیش از حد داده‌ها جلوگیری کنید. این دوره همچنین به مسائل عملی می پردازد که برای مثال زمانی که فرد داده های کافی ندارد و چگونه می توان آخرین یافته های تحقیق را در مدل های مختلف گنجاند. یادگیرندگان به طور عملی ساخت و بهینه سازی مدل های طبقه بندی تصویر خود را بر روی مجموعه های داده عمومی در آزمایشگاه هایی که روی آنها کار خواهند کرد، انجام خواهند داد.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره Course Introduction

مقدمه ای بر بینایی کامپیوتر و مدل های پیش ساخته ML برای طبقه بندی تصویر Introduction to Computer Vision and Pre-built ML Models for Image Classification

  • کامپیوتر ویژن چیست؟ What Is Computer Vision

  • انواع مختلف مشکلات بینایی کامپیوتری Different Type of Computer Vision Problems

  • موارد استفاده از دید کامپیوتر Computer Vision Use Cases

  • Vision API - مدل های ML از پیش ساخته شده Vision API - Pre-built ML Models

  • معرفی آزمایشگاه - تشخیص برچسب‌ها، چهره‌ها و نشانه‌ها در تصاویر با Cloud Vision API Lab Introduction - Detecting Labels, Faces, and Landmarks in Images with the Cloud Vision API

  • Pluralsight: شروع به کار با GCP و Qwiklabs Pluralsight: Getting Started with GCP and Qwiklabs

  • آزمایشگاه: تشخیص برچسب‌ها، چهره‌ها و نشانه‌ها در تصاویر با Cloud Vision API Lab: Detecting Labels, Faces, and Landmarks in Images with the Cloud Vision API

  • Lab Introduction - Lab: استخراج متن از تصاویر با استفاده از Google Cloud Vision API Lab Introduction - Lab: Extracting Text from the images using the Google Cloud Vision API

  • آزمایشگاه: استخراج متن از تصاویر با استفاده از Google Cloud Vision API Lab: Extracting Text from the Images using the Google Cloud Vision API

  • خواندن Readings

Vertex AI و AutoML Vision روی Vertex AI Vertex AI and AutoML Vision on Vertex AI

  • Vertex AI چیست و چرا یک پلتفرم یکپارچه اهمیت دارد؟ What is Vertex AI and why does a unified platform matter?

  • مقدمه ای بر AutoML Vision در Vertex AI Introduction to AutoML Vision on Vertex AI

  • Vertex AI چگونه به گردش کار ML، بخش 1 کمک می کند؟ How does Vertex AI help with the ML workflow, part 1 ?

  • چگونه هوش مصنوعی Vertex به گردش کار ML، قسمت 2 کمک می کند؟ How does Vertex AI help with the ML workflow, part 2 ?

  • کدام محصول ویژن برای شما مناسب است؟ Which vision product is right for you ?

  • معرفی آزمایشگاه - شناسایی قطعات آسیب دیده خودرو با Vertex AI برای کاربران AutoML Vision Lab Introduction - Identifying Damaged Car Parts with Vertex AI for AutoML Vision users

  • آزمایشگاه: شناسایی قطعات آسیب دیده خودرو با Vertex AI برای کاربران AutoML Vision Lab: Identifying Damaged Car Parts with Vertex AI for AutoML Vision Users

  • خواندن Readings

آموزش سفارشی با مدل های خطی، شبکه عصبی و شبکه عصبی عمیق Custom Training with Linear, Neural Network and Deep Neural Network models

  • معرفی Introduction

  • مقدمه ای بر مدل های خطی Introduction to Linear Models

  • خواندن داده ها Reading the Data

  • پیاده سازی مدل های خطی برای طبقه بندی تصاویر Implementing Linear Models for Image Classification

  • معرفی آزمایشگاه - طبقه بندی تصاویر با مدل خطی Lab Introduction - Classifying Images with a Linear Model

  • آزمایشگاه: طبقه بندی تصاویر با مدل خطی Lab: Classifying Images with a Linear Model

  • شبکه های عصبی و شبکه های عصبی عمیق برای طبقه بندی تصاویر Neural Networks and Deep Neural Networks for Image Classification

  • معرفی آزمایشگاه - طبقه بندی تصاویر با مدل NN و DNN Lab Introduction - Classifying Images with a NN and DNN Model

  • آزمایشگاه: طبقه بندی تصاویر با مدل NN و DNN Lab: Classifying Images with a NN and DNN Model

  • شبکه های عصبی عمیق با حذف و عادی سازی دسته ای Deep Neural Networks with Dropout and Batch Normalization

  • معرفی آزمایشگاه - طبقه بندی تصاویر با استفاده از Dropout و Batchnorm Layer Lab Introduction - Classifying Images using Dropout and Batchnorm Layer

  • آزمایشگاه: طبقه بندی تصاویر با استفاده از Dropout و Batchnorm Layer Lab: Classifying Images using Dropout and Batchnorm Layer

  • خواندن Readings

شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • معرفی Introduction

  • شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • درک پیچیدگی ها Understanding Convolutions

  • پارامترهای مدل CNN CNN Model Parameters

  • کار با لایه های Pooling Working with Pooling Layers

  • پیاده سازی CNN در Vertex AI با کانتینر TF از پیش ساخته شده با استفاده از Vertex Workbench Implementing CNNs on Vertex AI with pre-built TF container using Vertex Workbench

  • آزمایشگاه: طبقه بندی تصاویر با کانتینر TF از پیش ساخته شده در Vertex AI Lab: Classifying Images with pre-built TF Container on Vertex AI

  • خواندن Readings

برخورد با داده های تصویری Dealing with Image Data

  • معرفی Introduction

  • پیش پردازش داده های تصویر Preprocessing the Image Data

  • پارامترهای مدل و مشکل کمبود داده Model Parameters and the Data Scarcity Problem

  • افزایش داده ها Data Augmentation

  • معرفی آزمایشگاه - طبقه بندی تصاویر با استفاده از افزایش داده ها Lab Introduction - Classifying Images using Data Augmentation

  • آزمایشگاه: طبقه بندی تصاویر با استفاده از افزایش داده ها Lab: Classifying Images using Data Augmentation

  • آموزش انتقالی Transfer Learning

  • معرفی آزمایشگاه - طبقه بندی تصاویر با آموزش انتقال Lab Introduction - Classifying Images with Transfer Learning

  • آزمایشگاه: طبقه بندی تصاویر با آموزش انتقال Lab: Classifying Images with Transfer Learning

  • خواندن Readings

خلاصه Summary

  • خلاصه Summary

نمایش نظرات

نظری ارسال نشده است.

آموزش اصول چشم انداز رایانه با Google Cloud
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
3h 7m
51
Pluralsight (پلورال سایت) pluralsight-small
01 تیر 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
دارد
دارد
دارد
Google Cloud

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.