به یادگیری ماشین، یادگیری عمیق و بینایی کامپیوتر علاقه دارید؟ پس این دوره برای شما مناسب است!
این دوره در مورد مفاهیم اساسی یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی و یادگیری ماشین است. این موضوعات امروزه بسیار داغ شده است زیرا این الگوریتم های یادگیری را می توان در چندین زمینه از مهندسی نرم افزار تا بانکداری سرمایه گذاری استفاده کرد.
در هر بخش در مورد پسزمینه نظری همه این الگوریتمها صحبت میکنیم، سپس میخواهیم این مسائل را با هم پیادهسازی کنیم. ما از Python با SkLearn، Keras و TensorFlow استفاده خواهیم کرد.
### یادگیری ماشینی ###
1.) رگرسیون خطی
درک مدل رگرسیون خطی
ماتریس همبستگی و کوواریانس
روابط خطی بین متغیرهای تصادفی
رویکردهای ماتریس طراحی و فرود گرادیان
2.) رگرسیون لجستیک
درک رگرسیون لجستیک
مبانی الگوریتم های طبقه بندی
تابع و تخمین حداکثر احتمال
3.) K-Nearest Neighbors Classifier
طبقهبندیکننده نزدیکترین همسایه k چیست؟
الگوریتمهای غیر پارامتری یادگیری ماشین
4.) الگوریتم ساده بیز
الگوریتم ساده بیز چیست؟
طبقه بندی بر اساس احتمال
اعتبار سنجی متقابل
بیش از حد و کم تناسب
5.) ماشینهای بردار پشتیبانی (SVM)
پشتیبانی از ماشینهای برداری (SVM) و پشتیبانی از طبقهبندیکنندههای برداری (SVC)
طبقهبندی کننده حداکثر حاشیه
ترفند هسته
6.) درختان تصمیم و جنگل های تصادفی
طبقه بندی درخت تصمیم
طبقهبندیکننده جنگل تصادفی
ترکیب زبان آموزان ضعیف
7.) بسته بندی و تقویت
کیف کردن و تقویت چیست؟
الگوریتم AdaBoost
ترکیب زبان آموزان ضعیف (خرد جمعیت)
8.) الگوریتم های خوشه بندی
الگوریتم های خوشه بندی چیست؟
k-به معنای خوشه بندی و روش آرنج
استالگوریتم DBSCAN
خوشه بندی سلسله مراتبی
تحلیل بخشبندی بازار
### شبکه های عصبی و یادگیری عمیق ###
9.) شبکه های عصبی پیشروی
مدل پرسپترون تک لایه
شبکه های عصبی feed.forward
عملکردهای فعال سازی
الگوریتم پس انتشار
10.) شبکه های عصبی عمیق
شبکه های عصبی عمیق چیست؟
توابع فعالسازی ReLU و مشکل گرادیان ناپدید شدن
آموزش شبکه های عصبی عمیق
توابع ضرر (توابع هزینه)
11.) شبکه های عصبی کانولوشنال (CNN)
شبکه های عصبی کانولوشن چیست؟
انتخاب ویژگی با هسته
آشکارسازهای ویژه
مجموعه و صاف کردن
12.) شبکه های عصبی مکرر (RNN)
شبکه های عصبی بازگشتی چیست؟
آموزش شبکه های عصبی مکرر
مشکل انفجاری گرادیان
LSTM و GRU
تجزیه و تحلیل سری های زمانی با شبکه های LSTM
بهینه سازی عددی (در یادگیری ماشین)
الگوریتم نزول گرادیان
تئوری و اجرای شیب نزولی تصادفی
الگوریتمهای ADAGrad و RMSProp
بهینه ساز ADAM توضیح داده شد
اجرای الگوریتم ADAM
13.) یادگیری تقویتی
فرایندهای تصمیم مارکوف (MDP)
تکرار ارزش و تکرار خط مشی
مشکل اکتشاف در مقابل بهره برداری
مشکل راهزنان چند مسلح
یادگیری Q و یادگیری عمیق Q
یادگیری تیک تاک با یادگیری Q و یادگیری عمیق Q
### COMPUTER VISION ###
14.) مبانی پردازش تصویر:
نظریه بینایی کامپیوتر
مقادیر شدت پیکسل چیست
پیچیدگی و هسته (فیلترها)
هسته را محو کنید
هسته را تیز کنید
تشخیص لبه در بینایی کامپیوتر (هسته تشخیص لبه)
15.) اتومبیل های سرف ران و تشخیص خط
نحوه استفاده از رویکردهای بینایی کامپیوتری در تشخیص خط
الگوریتم Canny
نحوه استفاده از تبدیل Hough برای یافتن خطوط بر اساس شدت پیکسل
16.) تشخیص چهره با الگوریتم ویولا جونز:
رویکرد ویولا جونز در بینایی کامپیوتر
رویکرد ویندوز کشویی چیست
تشخیص چهره در تصاویر و ویدئوها
17.) الگوریتم هیستوگرام گرادیان های جهت دار (HOG)
چگونه با رویکردهای بهتر از الگوریتم Viola-جونز بهتر عمل کنیم
نحوه تشخیص شیب ها و لبه ها در تصویر
ساخت هیستوگرام از گرادیان های جهت دار
استفاده از ماشینهای بردار پشتیبانی (SVM) به عنوان الگوریتمهای یادگیری ماشینی اساسی
18.) رویکردهای مبتنی بر شبکه های عصبی پیچشی (CNN)
مشکل با رویکرد ویندوز کشویی چیست
پیشنهادهای منطقه و الگوریتم های جستجوی انتخابی
شبکه های عصبی کانولوشنال مبتنی بر منطقه (C-RNN)
C-RNNهای سریع
C-RNN سریعتر
19. شما فقط یک بار نگاه می کنید (YOLO) الگوریتم تشخیص شی
رویکرد YOLO چیست؟
ساخت جعبه های مرزبندی
چگونه اشیاء را در یک تصویر با یک نگاه شناسایی کنیم؟
الگوریتم تقاطع اتحاد (IOU)
چگونه می توان مرتبط ترین جعبه مرزی را با سرکوب غیر حداکثری نگه داشت؟
20.) الگوریتم تشخیص شیء SDD ردیاب چند باکس تک شات (SSD)
ایده اصلی پشت الگوریتم SSD چیست
ساخت جعبه های لنگر
معماری های VGG16 و MobileNet
اجرای SSD با ویدیوهای همزمان
دسترسی مادام العمر به بیش از 150 سخنرانی به اضافه اسلایدها و کدهای منبع برای سخنرانی ها را خواهید داشت!
این دوره با 30 روز ضمانت بازگشت وجه ارائه می شود! اگر به هیچ وجه راضی نیستید، پول خود را پس خواهید گرفت.
پس منتظر چه چیزی هستید؟ یادگیری ماشینی، یادگیری عمیق و دید کامپیوتر را به گونه ای بیاموزید که باعث پیشرفت شغلی و افزایش دانش شما شود، همه به روشی سرگرم کننده و کاربردی!
از اینکه به دوره پیوستید متشکریم، بیایید شروع کنیم!
مهندس نرم افزار
نمایش نظرات