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:
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
این شامل تمرینات عملی متعددی است
مطالعه موردی واقعی با 16000 تصویر
در زمان صرفه جویی کنید - دوره ما سریعتر از متوسط دوره های مربوط به موضوع شما را به آنجا می رساند
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!
ایجاد فرصت برای دانشجویان علوم داده و مالی
نمایش نظرات