شبکه های عصبی مصنوعی: گام پنجم از یادگیری عمیق در پایتون

1,400 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

به رشته یادگیری ماشین علاقه دارید؟ پس این دوره برای شما مناسب است! این دوره طراحی شده است تا ما بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی ساده بیاموزید. ما شما را قدم به قدم به دنیای یادگیری ماشین خواهیم برد. با استفاده از…

به رشته یادگیری ماشین علاقه دارید؟ پس این دوره برای شما مناسب است!

این دوره طراحی شده است تا ما بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی ساده بیاموزید. ما شما را قدم به قدم به دنیای یادگیری ماشین خواهیم برد. با استفاده از هر آموزش، مهارت های جدیدی پیدا خواهید کرد و درک خود را از این زیرشاخه چالش برانگیز و در عین حال سودآور علم داده بهبود خواهید بخشید. این دوره سرگرم کننده و هیجان انگیز است، اما در عین حال، ما عمیق به یادگیری ماشین می پردازیم. ساختار آن به روش زیر است:

قسمت ۱- رگرسیون: رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون چند جمله ای، SVR، رگرسیون درخت تصمیم، رگرسیون تصادفی جنگل

قسمت ۲- طبقه بندی: رگرسیون لجستیک، K-NN ، SVM، هسته SVM، طبقه بندی درخت تصمیم، طبقه بندی تصادفی جنگل

قسمت ۴ و ۳ :

  • خوشه بندی: K-Means ، خوشه بندی سلسله مراتبی،
  • کاهش ابعاد: PCA ، LDA ، هسته PCA

قسمت ۵ – یادگیری عمیق: شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشن

علاوه بر این، این دوره شامل تمرینات عملی است که بر اساس نمونه های واقعی ساخته شده است. بنابراین نه تنها تئوری را یاد خواهید گرفت، بلکه می توانید در ساخت مدل های خود تمرین عملی نیز انجام دهید.

بامبوی شما حالا ۳۰ متر ارتفاع داره 😊


مشخصات محصول

  • این آموزش بر مبنای سرفصل های ارائه شده پیرامون آموزش یادگیری ماشین در محیط پایتون در سایت یودمی (Udemy) می باشد.
  • با دانلود فایل آموزشی هر جلسه یک ویدئوی آموزشی و PDF مربوط به مباحث تئوری همان جلسه را دریافت می­ کنید.
  • در لینک Machine_Learning A:Z می­ توانید به تمامی کد­های آموزش داده شده در دوره دسترسی داشته باشید.

تهیه آموزش:

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


توضیحات محصول

اگر سیر تکاملی این دوره را دنبال کرده­ اید، شما مباحث زیر را به طور کامل فراگرفته ­اید:

  • یادگیری ماشین در پایتون
  • بسیاری از مدل­های یادگیری ماشین
  • چگونه پیش بینی دقیق داشته باشید
  • چگونه تجزیه و تحلیل قدرتمند انجام دهید
  • چگونه از یادگیری ماشینی برای اهداف شخصی خود استفاده کنید
  • چگونه از تکنیک های پیشرفته ای مانند کاهش ابعاد استفاده کنید
  • بدانید کدام مدل یادگیری ماشین را برای هر نوع مسئله انتخاب کنید
  • ارتشی از مدل های قدرتمند یادگیری ماشین بسازید و بدانید که چگونه آنها را برای حل هر مشکلی ترکیب کنید

نکته­ متمایز کننده این دوره این است که: در این آموزش تمامی مثال­ های کاربردی در جلسه ­های تئوری و کدنویسی در زمینه­ پردازش تصویر است تا به علاقمندان کاربرد­های مهم و موثر یادگیری عمیق را در پردازش تصویر آموزش دهد. به همین منظور ماژول­ های مختلفی در این حوزه به­ کار گرفته شده است و بخشی از آموزش به توضیحی مختصر و مفید در زمینه­ ی پردازش تصاویر و مفهوم تصویر می­ پردازد.

مطابق با تمامی دوره­ های پیشین، در هر جلسه مباحث به صورت تئوری آموزش داده می شوند و سپس با علم کامل از مباحث تئوری به سراغ کدنویسی در محیط پایتون خواهیم رفت. در بخش آموزش کد نویسی از کمک کتابخانه­ های پرکاربرد پایتون از جمله Numpy، Sklearn، Pandas و …. بهره گرفته ایم. از میان مجموعه­ وسیع کتابخانه­ ها در پایتون، سه کتابخانه­ ای که از محبوبیت بیشتری برخوردار هستند عبارتند از:

  1. Skitlearn (در آموزش­ های قبل فراگرفتیم)
  2. Tensorflow
  3. Keras

با توجه به آنچه در بالا ذکر شده است، نکته­ جالب توجه در این آموزش، یادگیری یکی دیگر از محبوب­ ترین کتابخانه ­های پایتون (Scipy) در علم یادگیری ماشین است.


عناوین آموزشی

جلسه اول:

  • یادگیری عمیق چیست؟
  • یادگیری ماشین چیست؟
  • شبکه­ ی عصبی چیست؟
  • بررسی تفاوت میان شبکه عصبی، یادگیری ماشین و یادگیری عمیق
  • ANN چیست؟
  • عملکرد ANN؟
  • چگونه ANN آموزش می ­بیند؟
  • انواع توابع فعال ساز
  • تعریف Gradient Descent
  • معرفی Stochastic Gradient Descent
  • مقایسه­ تفاوت های Stochastic Gradient Descent و Gradient Descent
  • عملکرد Backpropagation
  • آموزش ساخت یک شبکه ANN

جلسه دوم:

  • ساخت یک شبکه­ ANN در محیط پایتون به کمک ماژول ­های مربوطه :
  • Tensorflow
  • Keras
  • Panda
  • Numpy
  • و….

جلسه سوم:

  • CNN چیست؟
  • آشنایی با تصویر
  • چگونه یک تصویر را پردازش کنیم؟
  • معرفی انواع تصاویر:
  1. خاکستری
  2. رنگی
  3. چندبانده
  4. ابرطیفی (ماهواره­ ای)
  • بررسی مختصری از ویژگی­ های هر نوع از تصاویر و مقایسه­ آن­ها
  • عمکرد CNN
  • چگونه CNN آموزش می­بیند؟
  • عملکرد Conv در شبکه­ CNN
  • معرفی و بررسی لایه ی میانی (Relu)
  • Pooling چیست؟

جلسه چهارم:

  • Flatting چیست؟
  • Full connection در CNN چه نقشی دارد؟
  • چگونه می­توان شبکه­ ی CNN ساخت؟
  • کاربر­ها­ی CNN
  • Softmax & Cross-Entropy (به صورت مطالعه­ ی آزاد)

جلسه چهارم (تکمیلی):

  • تفسیر عملگر Conv
  • مرور کلی ساختار CNN
  • بررسی مثال طبقه­ بندی به کمک CNN
  • بررسی کاربرد CNN در پردازش تصویر به صورت مثال محور

جلسه پنجم:

  • آموزش ساخت یک شبکه­ ی CNN در محیط پایتون:
  1. آموزش CNN توسط مجموعه ­ای از تصاویر
  2. تست شبکه ­ی ساخته شده توسط نمونه­ های تصویری
  • بررسی میزان دقت عملکردی

جلسه ششم:

  • ساخت یک شبکه­ ی CNN عمیق:
  1. افزایش لایه ­های میانی
  2. بررسی اثر CNN در طبقه ­بندی تصاویر
  • بررسی دقت عملکردی CNN با افزایش تعداد لایه­ های میانی

معرفی آموزش:


معرفی نرم افزار:

همانطور که از نام دوره مشخص است، پایتون نرم افزار مورد استفاده در این آموزش می ­باشد. پایتون به دلیل سادگی در نگارش، سرعت بالا در پردازش، متن باز بودن، کتابخانه­ های دقیق و کاربردی و … به سرعت جایگاه ویژه­ای در میان محققین پیدا کرده است و این موضوع سبب شده تا این نرم افزار جز یکی از بهترین و پرکاربردترین نرم افزار­های حال حاضر دنیا در نظرگرفته شود.

*در بررسی­ هایی که اخیرا صورت گرفته است پایتون سومین نرم افزار کاربردی وپرطرفدار در میان مجموعه نرم افزارهای گوناگون از جمله MATLAB، PHP، R، Java و … قرار گرفته است.

رجوع شود به سایت زیر:

https://www.zdnet.com/google-amp/article/programming-language-rankings-r-makes-a-comeback-but-theres-debate-about-its-rise/

(برای کسب اطلاعات بیشتر در زمینه­ ی این نرم افزار به آموزش مقدماتی پایتون رجوع شود.)


تهیه آموزش:

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


سایر بخش های یادگیری عمیق:

نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

16 دیدگاه. ارسال دیدگاه جدید

  • با سلام در قسمت دوم این package که پیاده سازی شبکه هست استاد می فرمایند از همون template های classification که قبلا گفتن استفاده شده . الان رفرنس این template کجا هست؟

    پاسخ
    • زهرا طباطبایی
      1399-09-08 11:48 ق.ظ

      با سلام و وقت بخیر
      با توجه به اینکه پیش نیاز این دوره، آموزش طبقه بندی در پایتون است.. تمپلیت ها در آن دوره اموزش داده شده اند.
      اما بخشی از آن مبحث که مربوط به این آموزش است را در طول دوره توصیح داده ام.

      با احترام
      طباطبایی

      پاسخ
  • سلام
    همه چیز بسیار عالی تشریح شده ممنون از شما
    فقط سوالی که برام پیش اومده این هست که هم در این اموزش و هم در مقالات و… تصاویر اموزش و تست دارای فضای رنگی RGB هستند خواستم بدونم برای تصاویر ماهواره ای که تعداد باند زیادتری دارند بطول مثال ۸-۱۰ باند روش کار به چه صورت هست آیا میشه تصاویر با تعداد باند بیش از ۳ را استفاده کرد یا حتما باید از تصاویر سه باندی استفاده کرد.
    ممنون

    پاسخ
    • زهرا طباطبایی
      1400-01-16 12:14 ق.ظ

      با سلام و احترام
      بدون شک میتوان تمامی تصاویر را مورد مطالعه و بررسی قرار داد. اما لازم است با قوانین چگونگی مطالعه ی این تصاویر آشنا باشیم.

      با احترام
      طباطبایی

      پاسخ
  • آموزش cnn در این دوره جهت طبقه بندی تصاویر ماهواره ای ؟؟؟؟؟
    من هدفم طبقه بندی تصاویر ماهواره ای با cnn این پکیج مناسب هست ؟؟؟؟؟

    پاسخ
    • زهرا طباطبایی
      1400-01-16 12:16 ق.ظ

      با سلام و وقت بخیر
      شما در ابتدا باید با مفاهیم شبکه های عصبی در پردازش تصویر اشنا باشید و سپس الگوریتم های مربوطه را بر تصاویر ابرطیقی .و ماهواره ای پیاده سازی کنید.

      با احترام
      طباطبایی

      پاسخ
  • حانیه رضایی
    1400-04-30 12:19 ق.ظ

    با سلام و احترام
    با توجه به اینکه در مقالات input گوگل نت را 224*224 نوشته یعنی باید هر داده ای با هر ابعادی داریم، ریسایز کنیم و به 224 *224 در بیاوریم؟ یا منظور چیز دیگری هست؟ این امکان وجود ندارد که تصویر را همانطور که هست وارد مدل کنیم؟ ابعاد ورودی داده های من 3017 در 4177 است و رزولوشن هر پیکسل 30 متر می باشد و مربوط به تصاویر لندست است. و همچنین با توجه به کار من باید ابتدا تصاویر را طبقه بندی کنم.
    در مقالات دیدم که تصاویر رنگی را به صورت RGB وارد مدل گوگل نت می کنند، یعنی من باید ابتدا روی سه باند قرمز، آبی و سبز ماهواره به صورت مجزا طبقه بندی را انجام دهم؟ یا راه دیگری باید طی کنم؟
    با سپاس

    پاسخ
  • mohammadsalehi
    1401-11-13 4:04 ب.ظ

    سلام و خسته نباشید
    من گام 1 تا 5 را تهیه کرده ام و گام 1 تا 4 را کامل دیده ام. در جلسه سوم از گام 5 در دقیقه 25 از آموزش که مدل یا همان شبکه عصبی را می سازید، یک سری پارامتر ها مانند activation function و تعداد نرون ها و… تعریف می کنید و می گویید که در مورد تمام این پارامتر ها مفصل صحبت کردیم و توضیح دادیم. در کدام یک از آموزش ها در مورد ساخت شبکه عصبی توضیح داده اید؟
    اگر جز این 5 گام نیست، کدام آموزش است؟
    با تشکر

    پاسخ
    • زهرا طباطبایی
      1401-11-14 12:41 ق.ظ

      با سلام و وقت بخیر

      می توانید اطلاعات کامل رو از آموزش
      https://girs.ir/hyperparameter/
      دریافت کنید
      با احترام
      طباطبایی

      پاسخ
      • mohammadsalehi
        1401-11-16 1:52 ب.ظ

        با سلام و احترام
        من این آموزشی که معرفی کردید را تهیه کردم و دارم میبینم. در این آموزش طبق انتظار پارامتر ها را توضیح دادید. اما در کدام آموزش، ساختن مدل یا شبکه عصبی را توضیح دادید و پیش نیاز این آموزش است؟
        با تشکر

        پاسخ
        • زهرا طباطبایی
          1401-11-18 12:12 ق.ظ

          با سلام و وقت بخیر

          در طول دوره های 5 گانه+تنظیم هایپرپارامتر ها، گام به گام به آموزش ساخت شبکه ها پرداختیم و تمام پیش نیاز ها در توضیحات هر یک از آموزش ها ذکر شده اند.

          با احترام
          طباطبایی

          پاسخ
  • mohammadsalehi
    1401-11-18 6:02 ب.ظ

    سلام و ادب
    خیلی ممنون بابت تمام آموزش های عالیتون
    خانم دکتر من در مورد آماده سازی داده ها به شبکه مشکل دارم چون از داده هایی که شما برای آموزش استفاده کردید استفاده نمی کنم و داده ها مربوط به پروژه ای است که انجام می دهم.
    چون در اینجا امکان ارسال فایل فراهم نیست، به ایمیلی که در آموزش ها قرار دادید پیام دادم. ایمیل من با نام محمد صالحی هست. لطفا چک کنید پیام ها را و من منتظر جواب شما هستم.
    با احترام

    پاسخ
  • سلام
    من یک تصویر فراطیفی و تعدادی منحنی امضای طیفی دارم که این منحنی های طیفی، منحنی های یکی از عوارض موجود در تصویر هستند. طبق 5 گام که آموزش دادید، با منحنی های امضای طیفی و label هایی که دارند شبکه را آموزش داده ام.
    الان چگونه باید از شبکه آموزش داده شده استفاده کنم؟ یعنی این که چگونه باید شبکه آموزش داده شده را بر تصویر اعمال کنم تا تصویر را با استفاده از خروجی که به دست می آید طبقه بندی کنم؟

    در متلب هم که شبکه عصبی کار کردم، بعد از آموزش شبکه به وسیله منحنی های امضای طیفی، با فرض این که تصویر در متغیری به اسم A ذخیره شده باشد، برای اعمال شبکه آموزش داده شده بر روی تصویر از دستور output = net(A) استفاده میشه که یک خروجی ایجاد میشه و با تنظیم و reshape خروجی، تصویری طبقه بندی شده از خروجی را ایجاد می کنیم.

    این کار در پایتون چگونه انجام میشه و یا این که چه دستوری داره؟

    پاسخ
    • زهرا طباطبایی
      1401-12-15 10:39 ق.ظ

      با سلام و وقت بخیر

      نیاز است مدل را ذخیره کنید تا برای تمام بررسی های آتی به مدل آموزش دیده ی نهایی دسترسی داشته باشید سپس در هر مرحله آزمایش، مدل خود را فراخوانی کنید با دستور load_model.
      مدل فراخوانی شده را می توانبد همانند مثالی که در متلب اشاره کردید استفاده کنید و تصویر خود را به صورت ورودی به مدل بدهید. اینکه چگونه مدل را با تصویر تغذیه کنید به مدل و نوع لایه ی ورودی آن دارد.
      در گوگل میتوانید در مورد load_modelجست و جو کنید و اطلاعات لازم رو مربوط به مدل خود را مطالعه کنید.

      موفق باشید
      با احترام
      طباطبایی

      پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up