🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش بوت کمپ کامل بینایی ماشین با PyTorch و TensorFlow
- آخرین آپدیت
دانلود Complete Computer Vision Bootcamp With PyTorch & Tensorflow
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری بینایی کامپیوتر با CNN، TensorFlow و PyTorch: از مبانی تا پیشرفته
با TensorFlow و PyTorch، مفاهیم CNN را از پایه تا پیشرفته بیاموزید. مدلهای تشخیص اشیاء مانند YOLO و Faster R-CNN را یاد بگیرید. پروژههای بینایی کامپیوتر دنیای واقعی را گام به گام پیادهسازی کنید.
تجربه عملی در پیشپردازش و افزایش داده به دست آورید. مدلهای CNN سفارشی برای وظایف مختلف بینایی کامپیوتر بسازید. بر یادگیری انتقالی با مدلهای از پیش آموزشدیده مانند ResNet و VGG مسلط شوید.
مهارتهای عملی با کتابخانههای TensorFlow و PyTorch به دست آورید.
پیشنیازها:
آشنایی ابتدایی با برنامهنویسی پایتون.
آشنایی با مفاهیم اساسی یادگیری ماشین.
دانش اولیه جبر خطی و حساب دیفرانسیل و انتگرال.
درک دادههای تصویر و ساختار آن.
اشتیاق برای یادگیری بینایی کامپیوتر با پروژههای عملی.
در این دوره جامع، شما بر مبانی و مفاهیم پیشرفته بینایی کامپیوتر، با تمرکز بر شبکههای عصبی کانولوشن (CNN) و مدلهای تشخیص اشیاء با استفاده از TensorFlow و PyTorch مسلط خواهید شد.
این دوره برای تجهیز شما به مهارتهای مورد نیاز برای ساخت برنامههای بینایی کامپیوتر قوی از ابتدا طراحی شده است.
آنچه خواهید آموخت:
در طول این دوره، شما در زمینههای زیر تخصص کسب خواهید کرد:
مقدمهای بر بینایی کامپیوتر
درک دادههای تصویر و ساختار آن.
کاوش در مقادیر پیکسل، کانالها و فضاهای رنگ.
یادگیری در مورد OpenCV برای دستکاری و پیشپردازش تصویر.
مبانی یادگیری عمیق برای بینایی کامپیوتر
معرفی شبکههای عصبی و مفاهیم یادگیری عمیق.
درک پس انتشار و گرادیان کاهشی.
مفاهیم کلیدی مانند توابع فعالسازی، توابع زیان و تکنیکهای بهینهسازی.
شبکههای عصبی کانولوشن (CNN)
مقدمهای بر معماری CNN و اجزای آن.
درک لایههای کانولوشن، لایههای ادغام و لایههای کاملاً متصل.
پیادهسازی مدلهای CNN با استفاده از TensorFlow و PyTorch.
افزایش و پیشپردازش داده
تکنیکهایی برای بهبود عملکرد مدل از طریق افزایش داده.
استفاده از کتابخانههایی مانند imgaug، Albumentations و TensorFlow Data Pipeline.
یادگیری انتقالی برای بینایی کامپیوتر
استفاده از مدلهای از پیش آموزشدیده مانند ResNet، VGG و EfficientNet.
تنظیم دقیق و بهینهسازی مدلهای یادگیری انتقالی.
مدلهای تشخیص اشیاء
کاوش در الگوریتمهای تشخیص اشیاء مانند:
YOLO (فقط یک بار نگاه کن)
Faster R-CNN
پیادهسازی این مدلها با TensorFlow و PyTorch.
تکنیکهای تقسیمبندی تصویر
درک تقسیمبندی معنایی و نمونهای.
پیادهسازی مدلهای U-Net و Mask R-CNN.
پروژهها و کاربردهای دنیای واقعی
ساخت پروژههای کاربردی بینایی کامپیوتر مانند:
سیستم تشخیص چهره.
تشخیص اشیاء در زمان واقعی با یکپارچهسازی وبکم.
خطوط لوله طبقهبندی تصویر با استقرار.
چه کسانی باید ثبت نام کنند؟
این دوره برای افراد زیر ایدهآل است:
مبتدیانی که به دنبال شروع سفر بینایی کامپیوتر خود هستند.
دانشمندان داده و مهندسان ML که به دنبال گسترش مجموعه مهارتهای خود هستند.
پزشکان هوش مصنوعی که قصد دارند بر مدلهای تشخیص اشیاء مسلط شوند.
محققانی که در حال بررسی تکنیکهای بینایی کامپیوتر برای پروژههای آکادمیک هستند.
متخصصانی که به دنبال تجربه عملی در استقرار مدلهای CV هستند.
پیشنیازها
قبل از ثبت نام، اطمینان حاصل کنید که موارد زیر را دارید:
دانش اولیه برنامهنویسی پایتون.
آشنایی با مفاهیم اساسی یادگیری ماشین.
درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال.
یادگیری عملی با پروژههای واقعی
این دوره بر یادگیری عملی از طریق پروژههای عملی تأکید دارد. هر ماژول شامل تمرینهای کدنویسی، پیادهسازی پروژه و مثالهای دنیای واقعی است تا اطمینان حاصل شود که مهارتهای ارزشمندی به دست میآورید.
در پایان این دوره، شما با اطمینان مدلهای بینایی کامپیوتر را با استفاده از TensorFlow و PyTorch خواهید ساخت، آموزش میدهید و مستقر خواهید کرد. چه یک مبتدی باشید و چه یک متخصص با تجربه،
این دوره به شما تخصص لازم برای برتری در زمینه بینایی کامپیوتر را میدهد.
اکنون ثبت نام کنید و مهارتهای بینایی کامپیوتر خود را به سطح بعدی ببرید!
سرفصل ها و درس ها
Introduction-فصل-1-مقدمه
Introduction
Welcome to the Course-ویدئو-1-1-به دوره خوش آمدید
Welcome to the Course
Iterators In Python-ویدئو-2-33-تکرارکنندهها در پایتون
Iterators In Python
Generators In Python-ویدئو-2-34-ژنراتورها در پایتون
Generators In Python
Function Copy,Closures And Decorators-ویدئو-2-35-کپی تابع، بستارها و دکوراتورها
Function Copy,Closures And Decorators
Numpy In Python-ویدئو-2-36-نامپای در پایتون
Numpy In Python
Pandas-DataFrame And Series-ویدئو-2-37-پانداس-دیتا فریم و سری
Pandas-DataFrame And Series
Data Manipulation With Pandas And Numpy-ویدئو-2-38-دستکاری دادهها با پانداس و نامپای
Data Manipulation With Pandas And Numpy
Reading Data From Various Data Source Using Pandas-ویدئو-2-39-خواندن دادهها از منابع داده مختلف با استفاده از پانداس
Reading Data From Various Data Source Using Pandas
Logging Practical Implementation In Python-ویدئو-2-40-پیاده سازی عملی لاگینگ در پایتون
Logging Practical Implementation In Python
Logging With Multiple Loggers-ویدئو-2-41-لاگینگ با لاگرهای متعدد
Logging With Multiple Loggers
Logging With a Real World Examples-ویدئو-2-42-لاگینگ با مثالهای دنیای واقعی
Logging With a Real World Examples
Introduction To Deep Learning-فصل-3-مقدمهای بر یادگیری عمیق
Introduction To Deep Learning
Introduction-ویدئو-3-1-مقدمه
Introduction
Why Deep Learning is Becoming Popular-ویدئو-3-2-چرا یادگیری عمیق محبوبیت پیدا میکند؟
Why Deep Learning is Becoming Popular
Deep Learning-ANN, Optimizers, Loss Functions, Activation Functions,CNN Theory-فصل-4-یادگیری عمیق-شبکههای عصبی مصنوعی، بهینهسازها، توابع زیان، توابع فعالسازی، نظریه CNN
Deep Learning-ANN, Optimizers, Loss Functions, Activation Functions,CNN Theory
Create Linear Regression model with Pytorch components-ویدئو-6-12-ایجاد مدل رگرسیون خطی با اجزای Pytorch
Create Linear Regression model with Pytorch components
Multi Class classification with pytorch using custom neural networks-ویدئو-6-13-طبقهبندی چند کلاسه با Pytorch با استفاده از شبکههای عصبی سفارشی
Multi Class classification with pytorch using custom neural networks
Understanding components of custom data loader in pytorch-ویدئو-6-14-درک اجزای بارگذار داده سفارشی در Pytorch
Understanding components of custom data loader in pytorch
Defining custom Image Dataset loader and usage-ویدئو-6-15-تعریف بارگذار مجموعه داده تصویر سفارشی و نحوه استفاده
Defining custom Image Dataset loader and usage
CNN Training Using a Custom Dataset.-ویدئو-6-16-آموزش CNN با استفاده از یک مجموعه داده سفارشی
CNN Training Using a Custom Dataset.
Understanding Components of an Application-ویدئو-6-17-درک اجزای یک برنامه
Understanding Components of an Application
What is Deployment ?-ویدئو-6-18-دیپلوی چیست؟
What is Deployment ?
Tools to create interactive demos-ویدئو-6-19-ابزارهایی برای ایجاد دموهای تعاملی
Tools to create interactive demos
نمایش نظرات