آموزش پیاده سازی سیستم های تشخیص تصویر با TensorFlow

Implementing Image Recognition Systems with TensorFlow

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: TensorFlow یک کتابخانه محبوب برای اجرای طیف وسیعی از راه حل های یادگیری عمیق است اما به ویژه برای راه حل هایی که با تصاویر سرو کار دارند بسیار مفید است. این دوره اصول چگونگی استفاده از TensorFlow برای اجرای سناریوهای معمول را به شما می آموزد. اجرای تصاویر از طریق مدل های یادگیری عمیق به طور بالقوه معمولی ترین سناریویی است که امروزه در آن از یادگیری عمیق استفاده می شود. در این دوره ، با پیاده سازی سیستم های شناسایی تصویر با TensorFlow ، اصول نحوه پیاده سازی راه حل برای معمول ترین سناریوهای تصویربرداری یادگیری عمیق را یاد خواهید گرفت. ابتدا ، اگر می توانید راه حل خود را با مدل های از قبل موجود و آموزش دیده پیاده سازی کنید ، یاد می گیرید که چگونه یک مدل TensorFlow را انتخاب کنید. در مرحله بعدی ، شما می آموزید که چگونه با استفاده از یادگیری انتقال ، چنین مدل هایی را با استفاده از تصاویر آموزشی خود گسترش دهید. سرانجام ، خواهید دید که چگونه از راه حل های پیشرفته تری برای پردازش پیشرفته تر تصاویر ، مانند تقسیم بندی ، استفاده کنید و حتی نحوه پیاده سازی راه حل تشخیص چهره را بیاموزید. پس از پایان این دوره ، مهارت و دانش TensorFlow و تصویربرداری را خواهید داشت تا راه حل های خود را با موفقیت پیاده سازی کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

مقدمه Introduction

  • مقدمه Introduction

  • برخی از اصول تصویربرداری ML Some ML Imaging Basics

  • ML و تصویربرداری ML and Imaging

  • Over و Underfitting Over and Underfitting

  • خلاصه Summary

چیدن و استفاده از یک مدل Picking and Using a Model

  • مقدمه Introduction

  • مراحل انتخاب مدل Steps for Picking a Model

  • انتخاب مدل شما Picking Your Model

  • نسخه ی نمایشی: با استفاده از مدل TensorFlow Demo: Using a TensorFlow Model

  • نسخه ی نمایشی: ایجاد یک جلسه و استفاده از Tensorboard Demo: Creating a Session and Using Tensorboard

  • نسخه ی نمایشی: دریافت پیش بینی ها Demo: Getting Predictions

  • نسخه ی نمایشی: پیش بینی اسامی قابل خواندن در انسان Demo: Predictions into Human Readable Names

انتقال یادگیری Transfer Learning

  • مقدمه Introduction

  • انتقال محدودیت های یادگیری Transfer Learning Limitations

  • نسخه ی نمایشی: آموزش انتقال Demo: Transfer Learning

  • نسخه ی نمایشی: آماده سازی تصاویر Demo: Preparing the Images

  • نسخه ی نمایشی: TensorFlow Hub و آموزش مجدد Demo: TensorFlow Hub and Retraining

  • نسخه ی نمایشی: به روزرسانی کد برای اجرای مدل جدید Demo: Code Updates to Run the New Model

  • خلاصه Summary

محلی سازی و تقسیم بندی Localization and Segmentation

  • مقدمه Introduction

  • بومی سازی Localization

  • تقسیم بندی Segementation

  • نسخه ی نمایشی: تقسیم بندی Demo: Segmentation

  • خلاصه Summary

تشخیص چهره Face Recognition

  • مقدمه Introduction

  • نسخه ی نمایشی: با استفاده از Facenet Demo: Using Facenet

  • نسخه ی نمایشی: ساخت طبقه بندی کننده Demo: Building the Classifier

  • خلاصه Summary

نمایش نظرات

آموزش پیاده سازی سیستم های تشخیص تصویر با TensorFlow
جزییات دوره
1h 56m
29
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
19
3.8 از 5
دارد
دارد
دارد
Jon Flanders
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jon Flanders Jon Flanders

گرچه جون چند سال اول زندگی حرفه ای خود را به عنوان وكالت سپری كرد ، اما به سرعت متوجه شد كه تعقیب و گریزها جالب تر از تعقیب آمبولانس است. او ابتدا در دانشگاه مینه سوتا کار کرد و یک وب سایت گزارشگری مالی با استفاده از ASP و SQL Server ساخت و متخصص در ادغام خودکار بین چندین فروشگاه داده است. از زمان پیوستن به صنعت آموزش در سال 1999 ، جون وقت خود را به کار در پروژه های مختلف اختصاص داده است در حالی که از دنیای ASP و COM به دنیای .NET ، ASP.NET و خدمات وب و اکنون به دنیای دستگاه های تلفن همراه مهاجرت کرده است. . در طول این بخش از زندگی جون ، او RESTFul.NET را برای O'Reilly ، Essential ASPfor Addison-Wesley و مسترینگ Mastering Visual Studio نوشت. NETfor O'Reilly. از سال 2011 ، جون تمرکز خود را بر روی دنیای موبایل گذاشته است. Jon که عمدتا در iOS کار می کند ، به شرکت های زیادی کمک کرده است تا تیم های موبایل را به تیم هایی تبدیل کنند که بتوانند با سهولت برنامه های تلفن همراه را ایجاد ، ساخت ، آزمایش و استقرار دهند. واقعیت افزوده یکی دیگر از علاقه های فعلی جون به همراه Beacons و IoT است. Jon برای مرحله بعدی توسعه تلفن همراه و کشف اینکه چگونه فناوری نه تنها می تواند ما را سرگرم کند ، بلکه به ایجاد جهانی متصل در جایی که دستگاه های هوشمند شروع به انجام کارهایی دشوار و وقت گیر می کنند ، هیجان زده است.