لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق با کافه
Deep Learning with Caffe
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به شما می آموزد که شبکه عصبی کانولوشنال خود را با Caffe بسازید تا مشکلات طبقه بندی تصاویر سفارشی را حل کنید. چارچوب های یادگیری عمیق زیادی وجود دارد که می توانید از بین آنها انتخاب کنید. کافه، که با سرعت، بیان و مدولار بودن نوشته شده است، یک مدعی عالی برای انتخاب چارچوب شماست. در این دوره آموزشی، Deep Learning with Caffe، یاد می گیرید که از Caffe برای ساختن یک شبکه عصبی کانولوشنال استفاده کنید که به شما کمک می کند مجموعه ای از تصاویر را طبقه بندی کنید. ابتدا، خواهید دید که یادگیری عمیق چیست، چه تفاوتی با یادگیری ماشین سنتی دارد و چگونه یک شبکه عصبی کار می کند. در مرحله بعد، در حین ساخت شبکه عصبی کانولوشنال خود، یاد خواهید گرفت که چگونه داده ها را برای یادگیری عمیق آماده کنید، مدل و حل کننده را تعریف کنید و مدل را آموزش دهید. در نهایت، نحوه بهبود عملکرد مدل خود را با استفاده از یادگیری انتقال کشف خواهید کرد. وقتی این دوره را به پایان رساندید، مهارت ها و دانش لازم برای ساخت CNN خود را با استفاده از Caffe خواهید داشت که به حل مشکلات طبقه بندی تصاویر سفارشی کمک می کند.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
رمزگشایی یادگیری عمیق و طبقه بندی تصویر
Demystifying Deep Learning and Image Classification
معرفی دوره و ماژول
Course and Module Introduction
یادگیری عمیق چیست؟
What Is Deep Learning?
مبانی یک شبکه عصبی
Basics of a Neural Network
کار یک شبکه عصبی
Working of a Neural Network
گرادیان نزول
Gradient Descent
طبقه بندی تصویر - بررسی اجمالی و برنامه های کاربردی
Image Classification - Overview and Applications
نسخه ی نمایشی: نصب کتابخانه های مورد نیاز
Demo: Installing the Required Libraries
خلاصه
Summary
ساخت یک شبکه عصبی کانولوشن برای طبقه بندی تصاویر
Building a Convolutional Neural Network to Classify Images
معرفی ماژول
Module Introduction
مبانی بینایی کامپیوتر
Basics of Computer Vision
شبکه های عصبی کانولوشن چیست؟
What Are Convolutional Neural Networks?
سی ان ان: پیچیدگی ها
CNN: Convolutions
CNN: فعال سازی و ادغام
CNN: Activation and Pooling
CNN: طبقه بندی
CNN: Classification
نسخه ی نمایشی: مقدمه ای بر مجموعه داده
Demo: Introduction to the Dataset
کافه چیست؟
What Is Caffe?
نسخه ی نمایشی: آماده سازی داده ها
Demo: Data Preparation
نسخه ی نمایشی: تعریف مدل
Demo: Model Definition
نسخه ی نمایشی: تعریف حل کننده
Demo: Solver Definition
نسخه ی نمایشی: آموزش و پیش بینی با استفاده از مدل
Demo: Training and Prediction Using the Model
خلاصه
Summary
بهبود عملکرد با استفاده از آموزش انتقال
Improving Performance Using Transfer Learning
معرفی ماژول
Module Introduction
عملکرد بهتر - چرا و چگونه؟
Better Performance - Why and How?
یادگیری انتقالی چیست؟
What Is Transfer Learning?
آموزش انتقال - از سناریوهای موردی استفاده کنید
Transfer Learning - Use Case Scenarios
نسخه ی نمایشی: بهبود عملکرد مدل با استفاده از آموزش انتقال
Demo: Improving Model Performance Using Transfer Learning
Pratheerth یک دانشمند داده است که پس از ترکیبی التقاطی از تجربیات کاری و کاری وارد این حوزه شده است. وی دارای مدرک کارشناسی مهندسی در مکاترونیک از هند ، کارشناسی ارشد مدیریت مهندسی از استرالیا و سپس چند سال سابقه کار به عنوان مهندس تولید در خاورمیانه است. سپس هنگامی که اشکال A.I او را گاز گرفت ، او همه چیز را رها کرد تا زندگی خود را وقف این میدان کند. وی در حال حاضر به عنوان Data Scientist در زمینه مشاوره ، ایجاد دوره و فریلنسینگ کار می کند.
نمایش نظرات