آموزش شبکه‌های عصبی کانولوشنال با TensorFlow در پایتون

Convolutional Neural Networks with TensorFlow in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: شبکه های عصبی پیشرفته: Master Computer Vision با شبکه های عصبی Convolutional (CNN) و Deep Learning اصول شبکه های عصبی Convolutional را بیاموزید انجام وظایف بینایی کامپیوتری و یادگیری ماشینی استاد کار با TensorFlow و Tensorboard درک هسته ها درک پیچیدگی و نقش آن در CNN ها آشنا با تنظیم L2 و کاهش وزن درک مفهوم ترک تحصیل تجسم شبکه ها و معیارها با استفاده از طبقه بندی چند برچسبی رویکرد Tensorboard کسب تجربه از یک مثال عملی بزرگ در دنیای واقعی تبدیل تصاویر به تانسور مفاهیم موجود در معماری های پیشرفته CNN را کاوش کنید. نیازها: Python 3 و توزیع Anaconda دانش پایتون پایه تا متوسط ​​درک شبکه های عصبی پیشخور آشنایی اولیه با TensorFlow 2 کنجکاوی و اشتیاق به یادگیری و تمرین

آیا شما یک علاقه مند به یادگیری عمیق هستید که اکنون به دنبال چالش بعدی خود هستید؟

آیا به حوزه بینایی کامپیوتر و توانایی ماشین‌ها برای استخراج اطلاعات روشن‌تر از تصاویر و تصاویر علاقه‌مند هستید؟

آیا می خواهید مهارت ارزشمندی را بیاموزید تا در این دنیای مبتنی بر هوش مصنوعی خود را از رقبا جلوتر بگذارید؟

اگر به هر یک از این سوالات با "بله" پاسخ دادید، به مکان و زمان مناسب آمده اید!

در اینجا 5 دلیل وجود دارد که این دوره برای شما مناسب است:

  1. ما 1,170,000 دانش آموز در Udemy داریم و می دانیم که چگونه یک موضوع پیچیده را به روشی آسان و قابل درک آموزش دهیم

  2. این شامل تمرینات عملی متعددی است

  3. مطالعه موردی واقعی با 16000 تصویر

  4. در زمان صرفه جویی کنید - دوره ما سریعتر از متوسط ​​دوره های مربوط به موضوع شما را به آنجا می رساند

  5. فایل‌های نوت‌بوک، یادداشت‌های دوره، سوالات مسابقه، مواد تمرینی - همه مطالب داخل دوره هستند

این دوره یک فرصت آموزشی فوق‌العاده است که به شما کمک می‌کند از طریق استفاده از شبکه‌های عصبی کانولوشن، بینش‌هایی را در مورد حوزه به‌سرعت در حال گسترش یادگیری ماشین و بینایی رایانه به‌دست آورید.

شبکه‌های عصبی کانولوشنال یا به اختصار CNN، زیرشاخه‌ای از شبکه‌های عصبی عمیق هستند که به طور گسترده در زمینه بینایی رایانه استفاده می‌شوند. این شبکه‌ها در استنباط اطلاعات از داده‌های ساختار مکانی برای کمک به رایانه‌ها برای به دست آوردن درک سطح بالا از تصاویر و ویدیوهای دیجیتال تخصص دارند. این کار می‌تواند به سادگی طبقه‌بندی یک تصویر به عنوان سگ یا گربه باشد، اما همچنین می‌تواند مانند ماشین‌های خودران از پیچیدگی منفجر شود.

این جایی است که بیشتر تحقیقات فعال یادگیری ماشین در حال حاضر متمرکز است و CNN ها بخش مهمی از آن هستند. بنابراین، وقت آن رسیده است که بازی خود را ارتقا دهید و بر این قطعه از پازل یادگیری عمیق تسلط پیدا کنید.

برای انجام این کار، ما این دوره فوق العاده و جذاب را برای شما طراحی کرده ایم. اگرچه درک کلی از TensorFlow و مفاهیم اصلی یادگیری عمیق مورد نیاز است، ما از اصول CNN شروع می کنیم و راه خود را به سمت مهارت می یابیم. علاوه بر این، ما معتقدیم که تمرین کامل می‌کند، به همین دلیل است که این دوره یک نمونه عملی جامع از یک پروژه دنیای واقعی را ارائه می‌دهد. علاوه بر این، شامل تمرین‌ها، تکالیف، فایل‌ها و دفترچه‌های قابل دانلود، و همچنین سوالات مسابقه و یادداشت‌های دوره است.

این دوره را با نگاهی به هسته‌ها در زمینه پردازش تصویر آغاز می‌کنیم. هسته ها ابزاری ضروری برای کار و درک شبکه های عصبی کانولوشن هستند. ما چگونگی دستیابی به دگرگونی های مختلف تصویر را بررسی می کنیم و به شما کمک می کنیم تا نقش عملیات ریاضی کانولوشن را در این فرآیند درک کنید. این مبنایی برای موضوع بعدی ما خواهد بود - لایه های کانولوشن .

با آن همه دانش، موضوع اصلی دوره را معرفی می کنیم: شبکه های عصبی کانولوشن. در اینجا، مفاهیم جذابی مانند نقشه های ویژگی و ترکیب را مورد بحث قرار خواهیم داد. به علاوه، بررسی خواهیم کرد که چگونه چنین شبکه ای ابعاد تانسورها را تغییر می دهد.

سپس، آنچه در ادامه می‌آید یک بازنگری کوتاه و اختیاری در شبکه‌های عصبی است. CNN ها به سادگی زیرشاخه ای از شبکه های عصبی عمیق هستند، بنابراین دانش کلی از NN ها لازم است. به همین دلیل است که ما اصول اولیه را بازبینی می‌کنیم: عملکردهای فعال‌سازی، توقف زودهنگام، و بهینه‌سازها.

وقتی همه اینها را پوشش دادیم، حداقل دانش لازم برای شروع به کار بردن همه این تئوری را خواهید داشت - با ساختن اولین شبکه عصبی کانولوشنال خود.

با کار بر روی مجموعه داده MNIST، به شما کمک می کنیم تا گردش کار کلی ایجاد یک معماری CNN را درک کرده و از ابتدا آن را بسازید. شما می خواهید آن را برای تشخیص ارقام دست نویس آموزش دهید - ابزاری بسیار مفید در دنیای واقعی. در این مرحله، شما این فرصت را خواهید داشت که شبکه را تغییر دهید و شبکه را تغییر دهید و نتایج را خودتان ببینید.

و ما در ایجاد CNN متوقف نخواهیم شد. ما همچنین زمان زیادی را صرف کاوش آنها از طریق TensorBoard خواهیم کرد - ابزاری برای تجسم و ثبت گزارش هنگام کار با TensorFlow. این سفر و آزمایش شما را در این زمینه ساده تر و قطعاً خاطره انگیزتر می کند. شبکه‌های عصبی به دلیل تفسیر دشوارشان بدنام هستند، بنابراین ماتریس سردرگمی را به عنوان ابزاری برای کمک به درک و تفسیر نتایج شبکه‌های خود بررسی می‌کنیم. در نهایت، ما به شما نشان خواهیم داد که چگونه به راحتی ابرپارامترهای شبکه های خود را تنظیم کنید.

اما موارد بیشتری وجود دارد.

ما به شما نشان خواهیم داد که چگونه بر 3 تکنیک رایج برای بهبود عملکرد مدل‌های خود مسلط شوید. در واقع، شما این فرصت را خواهید داشت که آن تکنیک ها را در شبکه هایی که برای بخش عملی بعدی ایجاد می کنیم، اعمال کنید.

درست شنیدید! ایده این دوره ارائه تجربه واقعی CNN است. ما یک تمرین عملی عظیم خواهیم داشت تا بتوانید روی یک پروژه دنیای واقعی کار کنید.

برای انجام این کار، مجموعه داده‌های سفارشی خود را ایجاد کرده‌ایم که از صنعت مد می‌آید. این شامل بیش از 16000 تصویر از شلوار، شلوار جین، کفش، عینک و عینک آفتابی است. و ما از اینها برای مثال‌ها و مشکلات متعدد کاربردی استفاده خواهیم کرد. ما وظیفه ای ابداع کرده ایم تا موارد مختلف را با یک برچسب مربوطه طبقه بندی کنیم. نه تنها این، بلکه ویژگی های دیگری مانند زیرنوع و جنسیت آیتم ها را نیز تعیین خواهیم کرد. با توجه به ماهیت این موارد، ما می‌توانیم تکنیک‌های مختلفی را برای رسیدن به هدفمان امتحان کنیم و نحوه عملکرد این رویکردها را با یکدیگر مقایسه کنیم. شما طعم چالش های دنیای واقعی حل چنین کاری را خواهید چشید و با یک پروژه واقعی تجربه کسب خواهید کرد که بعداً می توانید آن را به مجموعه خود اضافه کنید.

در نهایت، برای محدود کردن همه چیز، این دوره را با مروری بر جدول زمانی تحقیقات حرفه ای شبکه های عصبی کانولوشن به پایان می رسانیم. ما به بررسی عملکرد برخی از معماری‌های محبوب CNN خواهیم پرداخت و ستاره‌هایی مانند AlexNet، GoogLeNet، و همچنین ResNet همگی ظاهر خواهند شد.

در پایان این دوره، شما به تمام ابزارهایی که برای کار با اطمینان در پروژه های CNN نیاز دارید، کاملاً مجهز خواهید شد!

ما در تیم علوم داده 365 متعهد هستیم که فقط محتوای با بالاترین کیفیت را برای شما - دانشجویانمان - ارائه دهیم. به همین دلیل است که ما با یک متخصص واقعی صنعت - Iskren Vankov همکاری کرده ایم. ایسکرن یک توسعه دهنده نرم افزار و دانشمند کامپیوتر بسیار توانا با مدرک لیسانس در علوم کامپیوتر و فیزیک از دانشگاه ادینبورگ و مدرک کارشناسی ارشد در علوم کامپیوتر از دانشگاه آکسفورد است. ایسکرن همچنین بیش از 5 سال است که درگیر برنامه نویسی Deep Learning با تمرکز بر شبکه های عصبی بازگشتی است.

همانند همه دوره‌های ما، اگر زمانی به این نتیجه رسیدید که آموزش برای شما مناسب نیست، 30 روز ضمانت بازگشت وجه دارید.

علاوه بر این، این دوره با تمرین‌های فراوان، تکالیف، فایل‌های قابل دانلود، سؤالات مسابقه و یادداشت‌های دوره همراه است. هر چیزی که برای یک تجربه یادگیری عالی نیاز دارید.

پس منتظر چه چیزی هستید؟

روی دکمه «اکنون خرید» کلیک کنید و بیایید CNN ها را با هم کاوش کنیم!


سرفصل ها و درس ها

معرفی دوره Introduction to the course

  • دوره شامل چه مواردی می شود؟ What does the course cover?

  • دوره شامل چه مواردی می شود؟ What does the course cover?

  • چرا CNN ها؟ Why CNNs?

  • چرا CNN ها؟ Why CNNs?

معرفی دوره Introduction to the course

هسته ها Kernels

  • مقدمه ای بر هسته های تصویر Introduction to image kernels

  • مقدمه ای بر هسته های تصویر Introduction to image kernels

  • تغییر شکل تصویر چگونه کار می کند؟ How do image transformations work?

  • تغییر شکل تصویر چگونه کار می کند؟ How do image transformations work?

  • هسته ها به عنوان ماتریس Kernels as matrices

  • هسته ها به عنوان ماتریس Kernels as matrices

  • پیچیدگی - اعمال کرنل ها Convolution - applying kernels

  • پیچیدگی - اعمال کرنل ها Convolution - applying kernels

  • هندلینگ لبه Edge handling

  • هندلینگ لبه Edge handling

هسته ها Kernels

CNN مقدمه CNN Introduction

  • انگیزه CNN ها CNNs motivation

  • انگیزه CNN ها CNNs motivation

  • نقشه های ویژه Feature maps

  • نقشه های ویژه Feature maps

  • جمع کردن و گام برداشتن Pooling and Stride

  • جمع کردن و گام برداشتن Pooling and Stride

  • ابعاد Dimensions

  • ابعاد Dimensions

CNN مقدمه CNN Introduction

تکنیک های شبکه های عصبی (بازبینی) Neural networks techniques (revision)

  • توابع فعال سازی Activation functions

  • توابع فعال سازی Activation functions

  • بیش از حد مناسب و توقف زودهنگام Overfitting and early stopping

  • بیش از حد مناسب و توقف زودهنگام Overfitting and early stopping

  • بهینه سازها Optimizers

  • بهینه سازها Optimizers

تکنیک های شبکه های عصبی (بازبینی) Neural networks techniques (revision)

راه اندازی محیط Setting up the environment

  • راه اندازی محیط - لطفا از دست ندهید! Setting up the environment - Do not skip, please!

  • راه اندازی محیط - لطفا از دست ندهید! Setting up the environment - Do not skip, please!

  • چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

  • چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

  • نصب آناکوندا Installing Anaconda

  • نصب آناکوندا Installing Anaconda

  • داشبورد Jupyter - قسمت 1 Jupyter Dashboard - Part 1

  • داشبورد Jupyter - قسمت 1 Jupyter Dashboard - Part 1

  • داشبورد Jupyter - قسمت 2 Jupyter Dashboard - Part 2

  • داشبورد Jupyter - قسمت 2 Jupyter Dashboard - Part 2

  • نصب پکیج ها Installing the packages

  • نصب پکیج ها Installing the packages

راه اندازی محیط Setting up the environment

مونتاژ CNN - MNIST CNN assembling - MNIST

  • طرح راه Road plan

  • طرح راه Road plan

  • یک معماری ساده CNN A simple CNN architecture

  • یک معماری ساده CNN A simple CNN architecture

  • پیش پردازش داده ها Preprocessing the data

  • پیش پردازش داده ها Preprocessing the data

  • ساخت و آموزش CNN Building and training the CNN

  • ساخت و آموزش CNN Building and training the CNN

  • آزمایش CNN آموزش دیده Testing the trained CNN

  • آزمایش CNN آموزش دیده Testing the trained CNN

مونتاژ CNN - MNIST CNN assembling - MNIST

Tensorboard: ابزار تجسم برای TensorFlow Tensorboard: Visualization tool for TensorFlow

  • Tensorboard در مثال MNIST Tensorboard on the MNIST example

  • Tensorboard در مثال MNIST Tensorboard on the MNIST example

  • ماتریس سردرگمی و تجسم آن با Tensorboard Confusion matrix and visualizing it with Tensorboard

  • ماتریس سردرگمی و تجسم آن با Tensorboard Confusion matrix and visualizing it with Tensorboard

  • استفاده از Tensorboard برای تنظیم هایپرپارامترها Using Tensorboard to tune hyperparameters

  • استفاده از Tensorboard برای تنظیم هایپرپارامترها Using Tensorboard to tune hyperparameters

Tensorboard: ابزار تجسم برای TensorFlow Tensorboard: Visualization tool for TensorFlow

تکنیک های رایج برای عملکرد بهتر NN Common techniques for better performance of NN

  • معرفی Introduction

  • معرفی Introduction

  • منظم سازی Regularization

  • منظم سازی Regularization

  • تنظیم L2 و کاهش وزن L2 Regularization and Weight Decay

  • تنظیم L2 و کاهش وزن L2 Regularization and Weight Decay

  • ترک تحصیل Dropout

  • ترک تحصیل Dropout

  • افزایش داده ها Data augmentation

  • افزایش داده ها Data augmentation

تکنیک های رایج برای عملکرد بهتر NN Common techniques for better performance of NN

یک پروژه عملی: برچسب زدن اقلام مد A practical project: Labelling fashion items

  • مقدمه ای بر مسئله Introduction to the problem

  • مقدمه ای بر مسئله Introduction to the problem

  • هدف و تصاویر The objective and the images

  • هدف و تصاویر The objective and the images

  • تبدیل تصاویر به آرایه Converting images to arrays

  • تبدیل تصاویر به آرایه Converting images to arrays

  • شروع با مفاهیم کد Getting started with the code concepts

  • شروع با مفاهیم کد Getting started with the code concepts

  • وظیفه طبقه بندی اولیه - قسمت 1 Primary classification task - Part 1

  • وظیفه طبقه بندی اولیه - قسمت 1 Primary classification task - Part 1

  • وظیفه طبقه بندی اولیه - قسمت 2 Primary classification task - Part 2

  • وظیفه طبقه بندی اولیه - قسمت 2 Primary classification task - Part 2

  • وظیفه طبقه بندی اولیه - قسمت 3 Primary classification task - Part 3

  • وظیفه طبقه بندی اولیه - قسمت 3 Primary classification task - Part 3

  • شلوار و شلوار جین - بحث در مورد رویکردها Trousers and Jeans - discussion of approaches

  • شلوار و شلوار جین - بحث در مورد رویکردها Trousers and Jeans - discussion of approaches

  • شلوار و شلوار جین - همه Trousers and Jeans - All

  • شلوار و شلوار جین - همه Trousers and Jeans - All

  • شلوار و شلوار جین - جنسیت + نوع Trousers and Jeans - Gender + Type

  • شلوار و شلوار جین - جنسیت + نوع Trousers and Jeans - Gender + Type

  • شلوار و شلوار جین - مقایسه روش ها Trousers and Jeans - comparing the methods

  • شلوار و شلوار جین - مقایسه روش ها Trousers and Jeans - comparing the methods

  • تنظیم L2 و ترک تحصیل L2 regularization and Dropout

  • تنظیم L2 و ترک تحصیل L2 regularization and Dropout

  • افزایش داده ها - کفش همه Data augmentation - Shoes All

  • افزایش داده ها - کفش همه Data augmentation - Shoes All

یک پروژه عملی: برچسب زدن اقلام مد A practical project: Labelling fashion items

درک CNN ها Understanding CNNs

  • شکست های غیر منتظره Unexpected failures

  • شکست های غیر منتظره Unexpected failures

درک CNN ها Understanding CNNs

معماری های محبوب CNN Popular CNN architectures

  • مقدمه - چالش ILSVRC Introduction - the ILSVRC challenge

  • مقدمه - چالش ILSVRC Introduction - the ILSVRC challenge

  • AlexNet - موفقیت CNN AlexNet - CNN success

  • AlexNet - موفقیت CNN AlexNet - CNN success

  • VGG - لایه های بیشتر VGG - more layers

  • VGG - لایه های بیشتر VGG - more layers

  • GoogleNet - کارایی محاسباتی GoogleNet - computational efficiency

  • GoogleNet - کارایی محاسباتی GoogleNet - computational efficiency

  • ResNet - انقلاب عمق ResNet - revolution of depth

  • ResNet - انقلاب عمق ResNet - revolution of depth

معماری های محبوب CNN Popular CNN architectures

نمایش نظرات

آموزش شبکه‌های عصبی کانولوشنال با TensorFlow در پایتون
جزییات دوره
4.5 hours
52
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,806
4.6 از 5
ندارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی