آموزش یادگیری عمیق برای بینایی ماشین - آخرین آپدیت

دانلود Deep Learning for Computer Vision

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: قدرت یادگیری عمیق را برای تبدیل داده‌های بصری به بینش‌های کاربردی آزاد کنید. این دوره عملی شما را از طریق تکنیک‌های بنیادی و پیشرفته‌ای که برنامه‌های مدرن بینایی ماشین را هدایت می‌کنند — از طبقه‌بندی تصاویر تا مدل‌سازی مولد — راهنمایی می‌کند. شما با بلوک‌های سازنده یادگیری عمیق شروع خواهید کرد - درک نحوه عملکرد پرسپترون‌های چندلایه (MLPs) و بررسی تکنیک‌های نرمال‌سازی که آموزش مدل را پایدار و تسریع می‌کنند. سپس به یادگیری بدون نظارت با اتوانکودرها (Autoencoders) می‌پردازید و جادوی پشت شبکه‌های مولد رقابتی (GANs) را که می‌توانند تصاویر واقع‌گرایانه از نویز ایجاد کنند، کشف می‌کنید. پس از آن، معماری‌ای را که بینایی ماشین را متحول کرد، به صورت تسلط کامل می‌آموزید؛ با یادگیری نحوه استخراج سلسله‌مراتب فضایی و الگوها از تصاویر توسط CNNها برای کارهایی مانند تشخیص و شناسایی اشیاء. در نهایت، معماری‌های پیشرفته را بررسی خواهید کرد. ResNet یادگیری باقی‌مانده (Residual Learning) را برای شبکه‌های عمیق‌تر معرفی می‌کند، در حالی که U-Net بخش‌بندی دقیق تصاویر (Image Segmentation) را در تصویربرداری پزشکی و فراتر از آن ممکن می‌سازد. چه دانشمند داده باشید، چه مهندس یا علاقه‌مند به هوش مصنوعی، این دوره شما را به مهارت‌های لازم برای ساخت و استقرار مدل‌های یادگیری عمیق برای وظایف واقعی بینایی مجهز می‌کند. با مثال‌های کاربردی و یادگیری هدایت‌شده، هم درک تئوری و هم تجربه عملی به دست خواهید آورد. این دوره می‌تواند به عنوان بخشی از مدارک کارشناسی ارشد علوم داده یا علوم کامپیوتر دانشگاه CU Boulder در پلتفرم کورسرا برای کسب واحد تحصیلی گذرانده شود. این مدارک تحصیلات تکمیلی کاملاً معتبر، دوره‌های هدفمند، جلسات کوتاه ۸ هفته‌ای و شهریه پرداخت به میزان مصرف را ارائه می‌دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سوابق تحصیلی. مدارک CU در کورسرا برای فارغ‌التحصیلان جدید یا متخصصان شاغل ایده‌آل است.

سرفصل ها و درس ها

شبکه عصبی، پرسپترون چندلایه و نرمال‌سازی Neural Network, Multi-Layer Perceptron, and Normalization

  • آشنایی با مدرس Meet Your Instructor

  • تبدیل گراف به ماتریس Graph to Matrix

  • تبدیل ماتریس به گراف Matrix to Graph

  • بایاس (Bias) Bias

  • بچ (Batch) Batch

  • توابع ReLU و LeakyReLU ReLU and LeakyReLU

  • لایه پنهان و تابع Sigmoid Hidden Layer and Sigmoid

  • مقایسه ReLU در مقابل LeakyReLU و Sigmoid ReLU vs. LeakyReLU vs. Sigmoid

  • بصری‌سازی نورون‌ها Visualize Neurons

  • تجسم و بصری‌سازی Visualization

  • لایه پنهان Hidden Layer

  • لایه خروجی Output Layer

  • معادلات Equation

  • محاسبات Calculation

  • کتابخانه pyTorch pyTorch

  • طبقه‌بندی (Classification) Classification

  • تابع Softmax Softmax

  • نرمال‌سازی دسته‌ای (Batch Normalization) Batch Normalization

  • نرمال‌سازی لایه‌ای (Layer Normalization) Layer Normalization

اتوانکودر و شبکه GAN Auto Encoder and GAN

  • مثال اول رمزگذار/رمزگشا Encoder/Decoder Example 1

  • مثال دوم رمزگذار/رمزگشا Encoder/Decoder Example 2

  • معماری پیشرفته‌تر رمزگذار/رمزگشا Larger Encoder/Decoder Architecture

  • تابع هزینه (Loss Function) Loss Function

  • گرادینت هزینه Loss Gradient

  • پس‌انتشار (Backpropagation) Backpropagation

  • کاهش گرادین (Gradient Descent) Gradient Desent

  • شبکه GAN کوچک Tiny GAN

  • مولد (Generator) Generator

  • تبیض‌کننده (Discriminator) Discriminator

  • هزینه انتروپی متقاطع باینری (BCE Loss) Binary Cross Entropy Loss

  • گرادینت BCE Loss BCE Loss Gradient

  • آموزش رقابتی (Adversarial Training) Adversarial Training

شبکه‌های عصبی پیچشی (CNN) Convolutional Neural Networks

  • پیاده‌سازی دستی CNN کوچک Tiny CNN by Hand

  • فرمول‌های اکسل برای CNN کوچک Tiny CNN - Excel Formulas

  • نمایش گرافیکی CNN کوچک Tiny CNN - Graphical Representation

  • لایه Maxpool در CNN کوچک Tiny CNN - Maxpool

  • لایه کاملاً متصل (Fully Connected) Tiny CNN - Fully Connected

  • مروری بر CNNهای بزرگ Large CNN Overview

  • لایه Conv 1 در CNN بزرگ Large CNN - Conv 1

  • لایه Maxpool 1 در CNN بزرگ Large CNN - Maxpool 1

  • لایه‌های Conv و Maxpool 2 در CNN بزرگ Large CNN - Conv and Maxpool 2

  • هزینه انتروپی متقاطع دسته‌بندی شده Categorical Cross Entropy Loss

  • گرادینت هزینه CNN CNN Loss Gradient

  • پس‌انتشار (Backpropagation) Backpropagation

  • پس‌انتشار در لایه کاملاً متصل Backpropagation - Fully Connected Layer

  • پس‌انتشار در لایه Maxpool Backpropagation - Maxpool Layer

  • پس‌انتشار در لایه ReLU و Convolution Backpropagation - ReLU and Convolution Layer

  • نکات کلیدی CNN CNN Takeaways

شبکه‌های ResNet و U-Net ResNet and U-Net

  • منطق مرتبه اول First-Order Logic

  • منطق مرتبه دوم Second-Order Logic

  • ترکیبی از منطق مرتبه اول و دوم Mixture of First and Second Order Logic

  • اتصال جهشی (Skip Connection) Skip Connection

  • باقی‌مانده (Residual) Residual

  • عمق شبکه (Deep) Deep

  • جمع و نرمال‌سازی (Add & Norm) Add & Norm

  • گرادینت‌های انفجاری و ناپدیدشونده Exploding / Vanishing Gradients

  • مروری بر U-Net U-Net Overview

  • الحاق (Concat) Concat

  • جمع ابعاد متفاوت Add Different Dimensions

  • رمزگذار U-Net U-Net Encoder

  • رمزگشای U-Net U-Net Decoder

  • مقیاس‌بندی پارامتریک Parametric Upscaling

  • کانولوشن ترانهاده (Transposed Convolution) Transposed Convolution

  • رمزگذار Conv U-Net Conv U-Net Encoder

  • رمزگشای Conv U-Net Conv U-Net Decoder

نمایش نظرات

آموزش یادگیری عمیق برای بینایی ماشین
جزییات دوره
14h 5m
65
(آخرین آپدیت)
4,056
4 از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده