شبکههای عصبی کانولوشنی
✅ سرفصل و جزئیات آموزش
توضیحات دوره
در چهارمین دوره از مجموعه تخصصی یادگیری عمیق، شما درک خواهید کرد که چگونه بینایی کامپیوتر تکامل یافته و با کاربردهای هیجانانگیز آن مانند رانندگی خودران، تشخیص چهره، خواندن تصاویر رادیولوژی و موارد دیگر آشنا خواهید شد.
در پایان این دوره، شما قادر خواهید بود یک شبکه عصبی کانولوشنی، شامل نسخههای جدیدتر مانند شبکههای باقیمانده، بسازید؛ شبکههای کانولوشنی را برای تسک های تشخیص و بازشناسی بصری اعمال کنید؛ و از انتقال استایل عصبی برای خلق آثار هنری استفاده کرده و این الگوریتمها را بر روی انواع داده تصویری، ویدئویی و دیگر داده 2D یا 3D اعمال کنید.
مجموعه تخصصی یادگیری عمیق، برنامه اصولی ما است که به شما کمک میکند تا تواناییها، چالشها و پیامدهای یادگیری عمیق را درک کرده و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مجموعه مسیری را برای شما فراهم میکند تا دانش و مهارتهای لازم برای اعمال یادگیری ماشین در کار خود را به دست آورید، مسیر شغلی فنی خود را ارتقا دهید و قدم قطعی را در دنیای هوش مصنوعی بردارید.
شبکههای عصبی کانولوشنی
-
بینایی کامپیوتری 5:43
-
مثال تشخیص لبه 11:30
-
اطلاعات بیشتر درباره تشخیص لبه 7:57
-
پدینگ 9:49
-
کانولوشنهای گامدار 8:57
-
کانولوشن روی حجم 10:44
-
یک لایه از یک شبکه کانولوشنی 16:10
-
مثال شبکه کانولوشنی ساده 8:31
-
لایه های Pooling 10:25
-
مثال CNN 12:36
-
چرا کانولوشن؟ 9:40
-
مصاحبه Yann LeCun 27:48
-
[مهم] سوال، مشکل یا ایده دارید؟ در انجمن ما عضو شوید! None
-
توضیحات تکمیلی در مورد ویدئوی آینده "مثال شبکه کانولوشنی ساده" None
-
توضیحات تکمیلی در مورد ویدئوی آینده "مثال CNN" None
-
توضیحات تکمیلی در مورد ویدئوی آینده "چرا کانولوشن؟" None
-
یادداشتهای درس هفته 1 None
-
(اختیاری) دانلود نوتبوک، دانلود فضای کاری و رفرش فضای کاری None
-
چرا به مطالعات موردی نگاه کنیم؟ 2:57
-
شبکههای کلاسیک 18:18
-
شبکههای ResNets 7:07
-
چرا ResNets کار میکنند؟ 9:12
-
شبکهها در شبکه و کانولوشنهای 1x1 6:15
-
انگیزه شبکه Inception 10:14
-
شبکه Inception 8:45
-
معماری MobileNet 16:18
-
شبکه EfficientNet 8:32
-
مدل EfficientNet 3:39
-
استفاده از پیادهسازیهای متن-باز 4:56
-
یادگیری انتقال 8:47
-
افزایش داده 9:31
-
وضعیت فعلی بینایی کامپیوتر 12:37
-
توضیحات تکمیلی در مورد ویدئوی آینده "انگیزه شبکه Inception" None
-
یادداشتهای درس هفته 2 None
-
نکتهای در مورد تکلیف برنامهنویسی آینده - شبکههای Residual None
-
محلیسازی آبجکت 11:53
-
تشخیص نقاط کلیدی 5:56
-
تشخیص آبجکت 5:48
-
پیادهسازی کانولوشنی پنجرههای لغزان 11:08
-
پیشبینی کادرهای مرزی 14:07
-
اشتراک بر اجتماع 4:18
-
سرکوب غیرماکسیمم 8:01
-
کادرهای لنگر 9:42
-
الگوریتم YOLO 6:46
-
پیشنهاد ناحیه (اختیاری) 6:14
-
بخشبندی معنایی با U-Net 7:21
-
کانولوشنهای ترانهاده 7:39
-
درک شهودی معماری U-Net 3:21
-
معماری U-Net 7:40
-
توضیحات تکمیلی در مورد ویدئوی آینده "پیادهسازی کانولوشنی پنجرههای لغزان" None
-
توضیحات تکمیلی در مورد ویدئوی آینده "الگوریتم YOLO" None
-
یادداشتهای درس هفته 3 None
-
خروجی را قبل از ارسال پاک کنید (برای تکلیف U-Net) None
-
تشخیص چهره چیست؟ 4:37
-
ادگیری تک-نمونه 4:44
-
شبکه Siamese 4:35
-
تابع زیان سهگانه 15:00
-
تأیید چهره و طبقهبندی دوتایی 6:05
-
انتقال استایل عصبی چیست؟ 2:02
-
شبکههای کانولوشنی عمیق چه چیزی یاد میگیرند؟ 7:57
-
تابع هزینه 3:59
-
تابع هزینه محتوا 3:37
-
تابع هزینه استایل 13:17
-
تعمیمهای 1D و 3D 9:08
-
توضیحات تکمیلی در مورد ویدئوی آینده "تأیید چهره و طبقهبندی دوتایی" None
-
توضیحات تکمیلی در مورد ویدئوی آینده "تابع هزینه استایل" None
-
نکات درسی هفته 4 None
-
[مهم] یادآوری درباره پایان دسترسی به نوتبوکهای لابراتوار None
-
مرجعها None
-
تشکر و قدردانی None
مشخصات آموزش
شبکههای عصبی کانولوشنی
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متوسط
- تعداد درس:70
- مدت زمان :07:31:53
- حجم :939.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 23:25:23
- تعداد درس: 78
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 01:08:59
- تعداد درس: 8
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 12:44:39
- تعداد درس: 121
-
سطح دوره:
-
زبان: دوبله فارسی