برنامه نویسی محصولات دانلودی

آموزش کاربرد شبکه ­های عصبی و یادگیری عمیق در پردازش تصویر با پایتون

زهرا طباطبایی
نوشته شده توسط زهرا طباطبایی

شما دوره مناسب شبکه های عصبی را پیدا کرده اید!

پس از اتمام این دوره شما قادر خواهید بود:

  • با استفاده از کتابخانه های Keras و Tensorflow مدل های شبکه عصبی را در پایتون ایجاد کنید و نتایج آنها را تجزیه و تحلیل کنید.
  • استفاده از کتابخانه های Keras و Tensorflow را بیاموزید.
  • درک کاملی از شبکه های عصبی مصنوعی (ANN) و یادگیری عمیق در تصویر داشته باشید.
  • سناریو های کسب و کار را که در آن شبکه های عصبی مصنوعی (ANN) قابل اجرا هستند، درک کنید.
  • ساخت شبکه عصبی مصنوعی (ANN) در پایتون.
  • برای پیش بینی و طبقه ­بندی تصاویر از شبکه های عصبی مصنوعی (ANN) استفاده کنید.
  • به­ منظور خوشه ­بندی تصاویر از الگوریتم Kmeans بهره بگیرید.
  • و…. .

قبل از آغاز توضیحات این دوره بهتر است با یک تفاوت مهم آشنا شویم

تفاوت بین داده کاوی، یادگیری ماشین و یادگیری عمیق چیست؟

به زبان ساده ، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند، با این تفاوت که انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش های ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش های شناخته شده را بازتولید می کند و بعداً بطور خودکار این اطلاعات را برای داده ها، تصمیم گیری ها و اقدامات اعمال می کند.

از طرف دیگر، یادگیری عمیق از قدرت پیشرفته محاسباتی و انواع خاصی از شبکه های عصبی استفاده می کند و آنها را برای مقادیر زیادی از داده ها برای یادگیری، درک و شناسایی الگوهای پیچیده اعمال می کند. ترجمه خودکار زبان و تشخیص پزشکی نمونه هایی از یادگیری عمیق است.


مشخصات محصول:

  • قیمت: ۱۵۰ هزار تومان
  • مدرس: زهرا طباطبایی
  • تخصص: پردازش تصویر با کمک به الگوریتم­ های نوین یادگیری ماشین/یادگیری عمیق
  • موضوع: آموزش کاربرد شبکه­ های عصبی و یادگیری عمیق در پردازش تصویر
  • نرم افزار: پایتون
  • مخاطب: تمامی رشته ­ها (برق – کامپیوتر – معماری – عمران – مکانیک – فیزیک – و… .)
  • نوع آموزش: ویدیویی
  • پاورپوینت: ندارد
  • داده های تمرینی:‌ دارد
  • مدت دوره: ۵ ساعت
  • پیش نیاز: پردازش تصویر در متلب بر مبنای کتاب گنزالس، پایتون مقدماتی، رگرسیون در پایتون، طبقه بندی در پایتون، خوشه­ بندی و کاهش ویژگی در پایتون و شبکه های عصبی مصنوعی در پایتون
  • این آموزش بر مبنای سرفصل های ارائه شده پیرامون آموزش یادگیری ماشین در محیط پایتون در سایت یودمی (Udemy) می باشد
  • در فایل پیوست یک فایل با عنوان “readme” قابل دسترسی است که شامل مجموعه سایت­ های معرفی شده در طول آموزش است. این سایت­ ها امکان افزایش مهارت دانشجو را فراهم می­ کند.

توضیحات محصول:

چرا باید این دوره را انتخاب کنید؟

این دوره تمام مراحلی را که باید برای ایجاد یک مدل پیش بینی با استفاده از شبکه های عصبی طی شود، شامل می شود.

بیشتر دوره ها فقط به آموزش نحوه اجرای تجزیه و تحلیل می پردازند اما ما معتقدیم که داشتن یک درک نظری قوی از مفاهیم ما را قادر می سازد تا یک مدل خوب ایجاد کنیم و پس از اجرای تجزیه و تحلیل، باید بتوان قضاوت کرد که مدل چقدر خوب است و نتایج را تفسیر می کند تا در واقع بتواند به تجارت کمک کند.

نکته­ مهمی که در این محصول به آن می ­پردازیم آموزش اعتبارسنجی مدل طراحی شده است. به عبارت دیگر، همانطور که در دوره­ های قبل مشاهده کردید، برای ساخت یک مدل داده ­ها را به دو دسته­ آموزشی و تست تقسیم کردیم. اما در این دوره به شما نحوه­ اعتبارسنجی مدل را آموزش می­ دهیم تا مجموعه داده را به سه گروه داده ­های آموزشی، اعتبارسنجی و تست دسته ­بندی کنید و سپس به ­کمک این سه مجموعه شبکه عصبی خود را آموزش دهید، اعتبارسنجی کنید و تست کنید.

از طرفی، یاد می ­گیریم چطور می ­توان از مجموعه داده­ تست، داده ­های جدیدی را فراهم کرد تا بتوان بررسی و ارزیابی بهتری از مدل طراحی شده به ­دست آوریم.

در بخش دیگر از این دوره به مخاطبین و علاقمندان آموزش می­ دهیم که چطور می ­توانند یک مدل طراحی شده را برای بهره ­گیری مکرر ذخیره کنند و در کد­های مختلف در کاربردهای گوناگون آن را فراخوانی کنند تا در زمان صرفه ­جویی شود.

همانطور که از دوره ­های قبل می­ دانید، با گذشت هر epoch در شبکه­ عصبی، دقت عملکردی مدل افزایش و یا کاهش خواهد داشت. بنابراین با توجه به این نکته که ما همواره بر این باوریم کهوقت طلا است، در این آموزش به شما یاد می­ دهیم چطور نتیجه­ هر epoch  را ذخیره کنید تا دیگر نیازی نباشد تا پایان تمام epoch  ها منتظر بمانید. از طرفی، چون قانون ما طراحی مدل در بهترین شرایط است در این دوره به شما یاد می­ دهیم چگونه می­ توانید یک مدل را در بهترین epoch آن ذخیره و استفاده کنید تا هم در وقت ارزشمند شما صرفه جویی شود و هم بهترین مدل را به دست آورید. به عبارت دیگر

با صرف کمترین زمان، بهترین مدل را طراحی کنید


عناوین آموزشی:

عناوین آموزشی به شرح زیر می باشند:

  • آشنایی با کتابخانه های Tensorflow، Seaborn و Keras
  • راهنمای نصب ساده Tensorflow، Seaborn و Keras
  • آشنایی با محیط Anaconda
  • راهنمای نصب کتابخانه OpenCV
  • آشنایی با مجموعه­ داده­ Iris و Fashion_mnist، Digit و California housing…
  • آشنایی با عملکرد ماژول Perceptron در پایتون
  • طبقه ­بندی داده­ ها
  • نرمال سازی داده ­ها
  • تنظیم مقدار هایپرپارامترها
  • تقسیم داده­ ها به مجموعه داده­ی آموزشی، اعتبارسنجی و تست
  • ارائه یک روش متفاوت برای ساخت شبکه­ NN توسط Keras
  • کامپایل و آموزش شبکه عصبی ساخته شده
  • بررسی دقت مدل ساخته شده و پیش بینی خروجی داده ­های تست
  • معرفی معیار mean square error و mae
  • آموزش نحوه ­ ذخیره سازی یک مدل طراحی شده برای استفاده­ مکرر
  • آموزش نحوه­ فراخوانی مدل طراحی شده
  • آموزش کنترل تعداد epoch ها در طراحی یک مدل در بهینه ­ترین مقدار
  • بررسی لایه­ های پنهان برای طراحی یک شبکه عمیق عصبی
  • بررسی وزن­ های مطلوب در داده ­های مورد مطالعه
  • معرفی ماژول callbacks به ­منظور ذخیره­ سازی مرحله به مرحله­ هر epoch
  • طبقه ­بندی تصاویر توسط شبکه­ ANN (مجموعه داده­ fashion_mnist)
  • مروری بر مفاهیم الگوریتم خوشه­ بندی Kmeans
  • مروری بر تفاوت بین طبقه ­بندی و خوشه ­بندی (الگوریتم­ های تحت نظارت و بدون نظارت)
  • مروری بر مفاهیم تصویر و پردازش تصویر
  • اعمال یک الگوریتم ساده از Kmeans برای خوشه­ بندی
  • معرفی برخی ماژول ­های مورد نیاز در پردازش تصویر
  • اعمال Kmeans بر یک تصویر (دلخواه)
  • حذف خوشه­ های مورد نظر از تصویر و نمایش آن
  • ارائه یک روش متفاوت و جالب برای ساخت Kmeans به­ منظور خوشه ­بندی
  • کتابخانه ­های مورد استفاده در این دوره عبارتند از:
  • Numpy
  • Sklearn
  • Pandas
  • Matplotlib
  • pyplot
  • OpenCV
  • Keras
  • Tensorflow
  • Seaborn
  • Pydot
  • و…. .

ویدئوی معرفی آموزش:


معرفی نرم افزار:

چرا از پایتون برای یادگیری عمیق استفاده کنیم؟

درک پایتون یکی از مهارت های ارزشمندی است که برای حرفه ای در یادگیری عمیق لازم است. اگرچه همیشه اینگونه نبوده است، پایتون زبان برنامه نویسی انتخابی برای علم داده است. در اینجا یک تاریخچه مختصر آورده شده است:

در سال ۲۰۱۸، ۶۶٪ از دانشمندان داده استفاده روزانه از پایتون را گزارش کردند، و آن را به شماره یک ابزار برای متخصصان تجزیه و تحلیل تبدیل کردند.

کارشناسان Deep Learning انتظار دارند این روند با رشد روز افزون در اکوسیستم پایتون ادامه یابد و گرچه ممکن است سفر شما برای یادگیری برنامه نویسی پایتون تازه آغاز شده باشد، اما خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) هستند.

*این نرم افزار یکی از پرطرفدارترین نرم افزار ها در دانشگاه ­های خارج از کشور جهت پذیرش دانشجوی بین المللی  در تمامی رشته ­ها (مانند: برق، شیمی، بیولوژی، کامپیوتر، فیزیک، رادیولوژی و ….. ) و گرایش­ هاست.


تهیه محصول:

به منظور خرید این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله دانلود نمایید.


محصولات مشابه:


 

۲ دیدگاه

  • با سلام و احترام
    ممنون از آموزشهای خوبتان.
    چنانچه قصد ما ،آموزش داده هایی باشید که بصورت تصویر نیستند یعنی چندین ستون و چندین تصویر داشته باشیم. آیا می توان از این آموزش استفاده کرد؟ در غیر اینصورت کدام آموزش را پیشنهاد می کنید ؟
    متشکر

دیدگاهتان را بنویسید

آغاز تخفیف بزرگ روز دانشجو به میزان 40 درصد برای همه محصولات. کد تخفیف: 16azar
روز
ساعت
دقیقه
ثانیه
ورود به بخش محصولات آموزشی