نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، ما نگاهی خواهیم انداخت به استراتژی های مختلف برای ساخت یک طبقه بندی تصویر با استفاده از شبکه های عصبی کانولوشن. ما با افزایش ، استخراج ویژگی ها و تنظیمات دقیق بیش از حد دقت مدل را بهبود می بخشیم در حالی که ... این دوره بخشی از موارد زیر است: یادگیری پیشرفته ماشین در Google Cloud Path همه را بزرگ کنید به تصویر درک با TensorFlow در GCP خوش آمدید 18m 41s مدل های خطی و DNN 1 ساعت و 5 دقیقه 57 شبکه های عصبی کانولوشن (CNN) 37m 59s مقابله با کمبود داده 35 متر 5 ثانیه عمیق تر رفتن 1 ساعت 4 متر 45 ثانیه مدل های ML از قبل ساخته شده برای طبقه بندی تصویر 33m 44s خلاصه 3m 58s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
به تصویر درک با TensorFlow در GCP خوش آمدید
Welcome to Image Understanding with TensorFlow on GCP
-
معرفی دوره
Course Introduction
-
تصاویر به عنوان داده های تصویری
Images as Visual Data
-
ساختار داده و داده غیر ساختاری
Structured vs Unstructured Data
-
شروع کار با GCP و Qwiklabs
Getting started with GCP and Qwiklabs
مدل های خطی و DNN
Linear and DNN Models
-
مقدمه
Introduction
-
مدل های خطی
Linear Models
-
Lab Intro: مدل های خطی برای طبقه بندی تصویر
Lab Intro:Linear Models for Image Classification
-
آزمایشگاه: طبقه بندی تصویر با یک مدل خطی
Lab: Image Classification with a Linear Model
-
راه حل آزمایشگاهی: مدل های خطی برای طبقه بندی تصویر
Lab Solution:Linear Models for Image Classification
-
بررسی مدل های DNN
DNN Models Review
-
آزمایشگاه معرفی: مدل های DNN برای طبقه بندی تصویر
Lab Intro:DNN Models for Image Classification
-
آزمایشگاه: طبقه بندی تصویر با مدل شبکه عصبی عمیق
Lab: Image Classification with a Deep Neural Network Model
-
راه حل آزمایشگاهی: مدل های DNN برای طبقه بندی تصویر
Lab Solution:DNN Models for Image Classification
-
نقد و بررسی: Dropout چیست؟
Review:What is Dropout?
-
Lab Intro: DNN با لایه Dropout برای طبقه بندی تصویر
Lab Intro:DNNs with Dropout Layer for Image Classification
-
آزمایشگاه: طبقه بندی تصویر با مدل DNN همراه با رها کردن
Lab: Image Classification with a DNN Model with Dropout
-
راه حل آزمایشگاهی: DNN با لایه Dropout برای طبقه بندی تصویر
Lab Solution:DNNs with Dropout Layer for Image Classification
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNNs)
-
مقدمه
Introduction
-
درک همگرایی ها
Understanding Convolutions
-
پارامترهای مدل CNN
CNN Model Parameters
-
کار با لایه های استخر
Working with Pooling Layers
-
اجرای CNN با TensorFlow
Implementing CNNs with TensorFlow
-
Intro Lab: ایجاد یک طبقه بندی کننده تصویر با یک شبکه عصبی Convolutional
Lab Intro:Creating an Image Classifier with a Convolutional Neural Network
-
آزمایشگاه: طبقه بندی تصویر با مدل CNN
Lab: Image Classification with a CNN Model
-
راه حل آزمایشگاهی: ایجاد یک طبقه بندی کننده تصویر با یک شبکه عصبی Convolutional
Lab Solution:Creating an Image Classifier with a Convolutional Neural Network
مقابله با کمبود داده
Dealing with Data Scarcity
-
مشکل کمبود داده
The Data Scarcity Problem
-
افزایش داده ها
Data Augmentation
-
مقدمه آزمایشگاه: پیاده سازی افزایش تصویر
Lab Intro:Implementing image augmentation
-
آزمایشگاه: افزایش تصویر در TensorFlow
Lab: Image Augmentation in TensorFlow
-
راه حل آزمایشگاهی: پیاده سازی افزایش تصویر
Lab Solution:Implementing image augmentation
-
انتقال یادگیری
Transfer Learning
-
معرفی آزمایشگاه: پیاده سازی یادگیری انتقال
Lab Intro:Implementing Transfer Learning
-
آموزش طبقه بندی تصویر با Inception v3
Image Classification Transfer Learning with Inception v3
-
راه حل آزمایشگاهی: پیاده سازی یادگیری انتقال
Lab Solution:Implementing Transfer Learning
-
بدون داده ، بدون مشکل
No Data, No Problem
عمیق تر رفتن
Going Deeper Faster
-
مقدمه
Introduction
-
عادی سازی دسته ای
Batch Normalization
-
شبکه های باقیمانده
Residual Networks
-
شتاب دهنده ها (CPU در مقابل GPU ، TPU)
Accelerators (CPU vs GPU, TPU)
-
برآوردگر TPU
TPU Estimator
-
نسخه ی نمایشی: برآوردگر TPU
Demo:TPU Estimator
-
جستجوی معماری عصبی
Neural Architecture Search
-
خلاصه
Summary
مدل های ML از قبل ساخته شده برای طبقه بندی تصویر
Pre-built ML Models for Image Classification
-
مقدمه
Introduction
-
مدل های ML از پیش ساخته شده
Pre-built ML Models
-
Cloud Vision API
Cloud Vision API
-
نسخه ی نمایشی: Vision API
Demo:Vision API
-
AutoML Vision
AutoML Vision
-
نسخه ی نمایشی: AutoML
Demo:AutoML
-
AutoML Architecture
AutoML Architecture
-
Intro Lab: آموزش با مدل های ML از پیش ساخته شده با استفاده از Cloud Vision API و AutoML
Lab Intro:Training with Pre-built ML Models using Cloud Vision API and AutoML
-
آزمایشگاه: آموزش با مدلهای ML از قبل ساخته شده با استفاده از Cloud Vision API و AutoML
Lab: Training with Pre-built ML Models using Cloud Vision API and AutoML
-
راه حل آزمایشگاهی: آموزش با مدلهای ML از قبل ساخته شده با استفاده از Cloud Vision API و AutoML
Lab Solution:Training with Pre-built ML Models using Cloud Vision API and AutoML
خلاصه
Summary
نمایش نظرات