دوره آموزشی یادگیری عمیق: تشخیص تصویر (2018)
1 ساعت 44 دقیقهمتوسط2020-01-15
مدرسین

Adam Geitgey
Developer and Machine Learning Consultant
جزئیات دوره
به لطف دانش عمیق، سیستم های تشخیص تصویر پیشرفت کرده اند و اکنون برای همه چیز از جستجوی کتابخانه های عکس به منظور ایجاد توضیحات مبتنی بر متن عکس استفاده می شود. در این درس، یاد بگیرید چگونه یک شبکه عصبی عمیق ایجاد کنید که می تواند اشیاء را در عکس ها تشخیص دهد. نحوه تنظیم حالت های پیشرفته شبکه های عصبی عمیق را به رسمیت شناختن اشیاء جدید، بدون نیاز به دوباره آموزش شبکه. API های تشخیص تصویر مبتنی بر ابر را که می توانید به عنوان جایگزینی برای ساخت سیستم های خود استفاده کنید، کاوش کنید. مراحل مربوط به شروع نصب و راه اندازی سیستم تشخیص تصویر خود را یاد بگیرید.
موضوعات شامل:
طبقه بندی تصاویر
طراحی سیستم تشخیص تصویر
ایجاد یک شبکه عصبی عمیق
آموزش شبکه عصبی عمیق
اصلاح شبکه های عصبی از پیش آموزش دیده
استفاده از API های شناسایی تصویر
استقرار یک شبکه عصبی عمیق
موضوعات شامل:
طبقه بندی تصاویر
طراحی سیستم تشخیص تصویر
ایجاد یک شبکه عصبی عمیق
آموزش شبکه عصبی عمیق
اصلاح شبکه های عصبی از پیش آموزش دیده
استفاده از API های شناسایی تصویر
استقرار یک شبکه عصبی عمیق
مهارت ها
Real-TimeNeural Networks and Deep LearningMachine LearningPythonVisualization and Real-TimeAECProduct and ManufacturingArtificial Intelligence (AI)Open SourceDeep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - ساخت سیستمهای تشخیص تصویر پیشرفته
- 02 - آنچه باید بدانید
- 03 - فایلهای تمرینی
1. تنظیم محیط توسعه شما
- 04 - نصب Python 3، Keras و TensorFlow در macOS
- 05 - نصب Python 3، Keras و TensorFlow در ویندوز
2. طبقه بندی تصویر چگونه کار میکند
- 06 - شبکه عصبی چیست
- 07 - کدگذاری یک شبکه عصبی با Keras
- 08 - تغذیه تصاویر به شبکه عصبی
- 09 - تشخیص محتویات تصویر با شبکه عصبی
- 10 - اضافه کردن کانولوشن برای تغییر ناپذیری ترجمه
3. طراحی یک شبکه عصبی عمیق برای تشخیص تصویر
- 11 - طراحی معماری شبکه عصبی برای تشخیص تصویر
- 12 - بررسی مجموعه داده CIFAR-10
- 13 - بارگذاری یک مجموعه داده تصویر
- 14 - لایههای متراکم
- 15 - لایههای کانولوشن
- 16 - حداکثر جمع آوری
- 17 - ترک تحصیل
- 18 - یک شبکه عصبی کامل برای تشخیص تصویر
4. ساخت و آموزش شبکه عصبی عمیق
- 19 - راهاندازی شبکه عصبی برای آموزش
- 20 - آموزش شبکه عصبی و صرفهجویی در وزن
- 21 - پیشبینی با شبکه عصبی آموزش دیده
5. تنظیم دقیق شبکههای عصبی از پیش آموزش دیده
- 22 - شبکههای عصبی از پیش آموزش دیده همراه با Keras
- 23 - استفاده از شبکه از پیش آموزش دیده برای تشخیص اشیا
- 24 - انتقال یادگیری به عنوان جایگزینی برای آموزش شبکه عصبی جدید
- 25 - استخراج ویژگیها با یک شبکه عصبی از پیش آموزش دیده
- 26 - آموزش شبکه عصبی جدید با ویژگیهای استخراج شده
- 27 - پیشبینی با یادگیری انتقالی
6. استفاده از یک API تشخیص تصویر
- 28 - چه زمانی به جای ساختن راه حل خود از API استفاده کنید
- 29 - مقدمه ای بر Google Cloud Vision API
- 30 - تنظیم اعتبار حساب Google Cloud Vision
- 31 - تشخیص اشیاء در عکسها با Google Cloud Vision
- 32 - استخراج متن از تصاویر با Google Cloud Vision
نتیجه
- 33 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی شبکههای عصبی و شبکههای عصبی مصنوعی (2018)
- دوره آموزشی Microsoft Cognitive Services برای توسعه دهندگان: بخش اول ویژن
- دوره آموزشی یادگیری عمیق: تشخیص چهره
- دوره آموزشی جامع آمازون وب سرویس یادگیری ماشین
- دوره آموزشی یادگیری عمیق: تشخیص تصویر
- دوره آموزشی مقدمه ای بر یادگیری عمیق با OpenCV
- دوره آموزشی OpenCV برای توسعه دهندگان پایتون
- دوره آموزشی یادگیری عمیق در یادگیری جامع PyTorch آپدیت (2019)
مسیرهای مرتبط
- مسیر آموزشی تقویت مهارت های خود را در یادگیری عمیق و شبکه های عصبی
- مسیر آموزشی ارتقاء مهارت های خود را در هوش مصنوعی و یادگیری ماشین
- مسیر آموزشی مهارت های زبان Wolfram خود را بسازید
- مسیر آموزشی گواهینامه حرفهای مبانی آماری یادگیری ماشین
- مسیر آموزشی ساخت محصولات هوش مصنوعی با استفاده از سرویسهای Azure AI در چرخه توسعه
- مسیر آموزشی شروع کار با هوش مصنوعی و یادگیری ماشینی
- مسیر آموزشی تبدیل شدن به یک مهندس هوش مصنوعی
- مسیر آموزشی تسلط بر تولید مبتنی بر بازیابی (RAG)