توضیحات

یادگیری عمیق و بینایی کامپیوتر (کامپیوتر ویژن) پیشرفته

نام دوره : یادگیری عمیق و بینایی کامپیوتر پیشرفته

به روز رسانی 5/2022 با کیفیت 1080 تهیه شده رسمی یودمی ایران

پیش نیاز:

• آشنایی با نحوه ساخت، آموزش و استفاده از CNN با استفاده از تعدادی کتابخانه (ترجیحا در پایتون)
• مفاهیم نظری اساسی پشت کانولوشن و شبکه های عصبی را درک کنید
• مهارت های کدنویسی مناسب پایتون، ترجیحاً در علم داده و Numpy Stack

توضیحات:

آخرین به روز رسانی : به جای SSD، من به شما نحوه استفاده از RetinaNet را نشان می دهم که بهتر و مدرن تر است.

من به شما نشان می دهم که چگونه از یک مدل از پیش آموزش دیده استفاده کنید و چگونه خودتان با مجموعه داده های سفارشی در Google Colab آموزش دهید .

این یکی از هیجان‌انگیزترین دوره‌هایی است که من انجام داده‌ام و واقعاً نشان می‌دهد که یادگیری در طول سال‌ها چقدر سریع و عمیق بوده است.

اجازه دهید خلاصه ای سریع از دوره یادگیری عمیق و بینایی کامپیوتر (کامپیوتر ویژن) پیشرفته به شما ارائه دهم:

ما قصد داریم شکاف بین معماری اصلی CNN را که قبلاً می‌شناسید و دوست دارید، تا معماری‌های مدرن و جدید مانند VGG ، ResNet و Inception (به نام فیلمی که اتفاقاً عالی است، نامگذاری شده است) پر کنیم.

ما می‌خواهیم اینها را روی تصاویر سلول‌های خونی اعمال کنیم، و سیستمی ایجاد کنیم که متخصص پزشکی بهتری از من یا شما باشد. این ایده جالبی را مطرح می‌کند: اینکه پزشکان آینده انسان نیستند، بلکه روبات‌ها هستند.

در این دوره، خواهید دید که چگونه می‌توانیم یک CNN را به یک سیستم تشخیص اشیا تبدیل کنیم، که نه تنها تصاویر را طبقه‌بندی می‌کند، بلکه می‌تواند هر شی را در یک تصویر قرار دهد و برچسب آن را پیش‌بینی کند.

می توانید تصور کنید که چنین کاری یک پیش نیاز اساسی برای وسایل نقلیه خودران است . (باید بتواند ماشین ها، عابر پیاده، دوچرخه، چراغ راهنمایی و غیره را در زمان واقعی تشخیص دهد)

ما به دنبال یک الگوریتم پیشرفته به نام SSD خواهیم بود که هم سریعتر و هم دقیق تر از مدل های قبلی خود است.

یکی دیگر از کارهای بسیار محبوب بینایی کامپیوتری که از CNN ها استفاده می کند، انتقال سبک عصبی نام دارد.

این جایی است که شما یک تصویر به نام تصویر محتوا و یک تصویر دیگر به نام تصویر سبک می گیرید و اینها را با هم ترکیب می کنید تا یک تصویر کاملاً جدید بسازید، گویی یک نقاش را استخدام کرده اید تا محتوای تصویر اول را با سبک نقاشی کند.

برخلاف یک نقاش انسان، این کار را می توان در عرض چند ثانیه انجام داد.

همچنین شما را با معماری معروف GAN ( شبکه‌های متخاصم مولد ) آشنا می‌کنم، جایی که با برخی از فناوری‌هایی که در پس نحوه استفاده از شبکه‌های عصبی برای تولید تصاویر مدرن و واقعی استفاده می‌شوند، آشنا می‌شوید.

در حال حاضر، ما محلی‌سازی شی را نیز پیاده‌سازی می‌کنیم ، که اولین گام اساسی برای پیاده‌سازی یک سیستم تشخیص کامل شی است.

امیدوارم از یادگیری این برنامه های پیشرفته CNN هیجان زده باشید، من شما را در کلاس می بینم!

حقایق شگفت انگیز:

یکی از موضوعات اصلی این دوره این است که ما از خود CNN دور می شویم و به سیستم هایی که CNN ها را شامل می شود، می پردازیم.

به جای تمرکز بر روی جزئیات عملکرد داخلی CNN ها (که قبلاً انجام داده ایم)، روی بلوک های ساختمانی سطح بالا تمرکز خواهیم کرد. نتیجه؟ ریاضی تقریبا صفر

نتیجه دیگه؟ هیچ کد پیچیده‌ای در سطح پایین مانند آنچه در Tensorflow ، Theano ، یا PyTorch نوشته شده است (اگرچه برخی تمرین‌های اختیاری ممکن است حاوی آن‌ها برای دانش‌آموزان بسیار پیشرفته باشد).

بیشتر دوره یادگیری عمیق و بینایی کامپیوتر پیشرفته (کامپیوتر ویژن) در Keras خواهد بود که به این معنی است که بسیاری از مطالب خسته کننده و تکراری برای شما از قبل نوشته شده است.

دوره یادگیری عمیق و بینایی کامپیوتر (کامپیوتر ویژن) پیشرفته برای چه کسانی است:

• دانش آموزان و متخصصانی که می خواهند دانش خود را در زمینه بینایی کامپیوتر و یادگیری عمیق به سطح بالاتری برسانند
• هر کسی که می خواهد در مورد الگوریتم های تشخیص اشیا مانند SSD و YOLO بیاموزد
• هر کسی که می خواهد یاد بگیرد که چگونه برای انتقال سبک عصبی کد بنویسد
• هر کسی که می خواهد از یادگیری انتقالی استفاده کند
• هر کسی که می خواهد زمان آموزش را کوتاه کند و شبکه های بینایی کامپیوتری پیشرفته بسازد

بخشی از دوره :