تسلط به یادگیری عمیق برای بینایی کامپیوتری در تنسورفلو (2024)

در این دوره از ترنسفرمرهای بینایی و شبکه های کانولوشن برای ساخت پروژه ها در طبقه بندی، تولید، بخش بندی تصویر و تشخیص آبجکت استفاده می کنید.

آنچه یاد خواهید گرفت

• مبانی تانسورها و متغیرها با تنسورفلو
• تسلط به اصول یادگیری ماشین و چرخه عمر توسعه یادگیری ماشین
• مبانی تنسورفلو و آموزش شبکه های عصبی با تنسورفلو 2
• اعمال شبکه‌ های عصبی کانولوشن برای تشخیص مالاریا
• ساخت مدل های پیشرفته تر تنسورفلو با API تابعی، Subclass کردن مدل و لایه های سفارشی
• ارزیابی مدل‌ های طبقه‌ بندی با استفاده از متریک های مختلف مانند: دقت، یادآوری، صحت و امتیاز F1
• ارزیابی مدل طبقه بندی با ماتریس درهم ریختگی و منحنی ROC
• Callback های تنسورفلو، زمانبندی نرخ یادگیری و Check-pointing مدل
• کاهش بیش برازش و کم برازش با Dropout، منظم سازی و افزایش داده
• افزایش داده با تنسورفلو با استفاده از تصویر تنسورفلو و لایه های کراس
• استراتژی های پیشرفته افزایش مانند Cutmix و Mixup
• افزایش داده با Albumentations با تنسورفلو 2 و PyTorch
• تلفات و متریک های سفارشی در تنسورفلو 2
• حالت های گراف و مشتاق در تنسورفلو 2
• حلقه های آموزش سفارشی در تنسورفلو 2
• یکپارچه سازی Tensorboard با تنسورفلو 2 برای لاگ کردن داده، مشاهده گراف های مدل، تیونینگ هایپرپارامتر و پروفایلینگ
• عملیات های یادگیری ماشین (MLOps) با وزن ها و سوگیری ها
• ردیابی تست با Wandb
• تیونینگ هایپرپارامتر با Wandb
• نسخه‌ سازی مجموعه داده با Wandb
• نسخه سازی مدل با Wandb
• تشخیص عواطف انسانی
• شبکه های عصبی کانولوشن مدرن (Alexnet و Vggnet و Resnet و Mobilenet و EfficientNet)
• یادگیری انتقالی
• مصورسازی لایه های میانی convnet
• متد Grad-cam
• مونتاژ مدل و عدم توازن کلاس
• ترانسفرمرهای بینایی
• استقرار مدل
• تبدیل از تنسورفلو به مدل Onnx
• آموزش آگاهانه کوانتیزاسیون
• ساخت API با Fastapi
• استقرار API در ابر
• تشخیص آبجکت از ابتدا با YOLO
• بخش بندی تصویر از ابتدا با مدل UNET
• شمارش افراد با Csrnet از ابتدا
• تولید رقم با رمزگذارهای خودکار متغیر (VAE)
• تولید چهره با شبکه‌ های عصبی مولد متخاصم (GAN)

پیش نیازهای دوره

• ریاضی پایه
• دانش پایه پایتون
• دسترسی به اتصال به اینترنت، زیرا ما از Google Colab استفاده خواهیم کرد (نسخه رایگان)

توضیحات دوره

آنچه یاد خواهید گرفت:

• مبانی تنسورفلو (تانسورها، ساخت مدل، آموزش و ارزیابی مدل)
• الگوریتم های یادگیری عمیق مانند شبکه های عصبی کانولوشن و ترنسفرمرهای بینایی
• ارزیابی مدل‌ های طبقه‌ بندی (دقت، یادآوری، صحت، امتیاز F1، ماتریس درهم ریختگی و منحنی ROC)
• کاهش بیش برازش با افزایش داده
• مفاهیم پیشرفته تنسورفلو مانند تلفات و متریک های سفارشی، حالت‌ های مشتاق و گراف و حلقه‌ های آموزش سفارشی، Tensorboard
• عملیات های یادگیری ماشین (MLOps) با وزن ها و سوگیری ها (ردیابی تست، تیونینگ هایپرپارامتر، نسخه سازی مجموعه داده و نسخه سازی مدل)
• طبقه بندی باینری با تشخیص مالاریا
• طبقه بندی چند کلاسه با تشخیص احساسات انسانی
• یادگیری انتقالی با شبکه های کانولوشن مدرن (Vggnet و Resnet و Mobilenet و Efficientnet) و ترنسفرمرهای بینایی (VIT)
• تشخیص آبجکت با YOLO (شما فقط یک بار نگاه می کنید.)
• بخش بندی تصویر با UNet
• شمارش افراد با Csrnet
• استقرار مدل (تقطیر، فرمت Onnx، کوانتیزاسیون، Fastapi و Heroku Cloud)
• تولید رقم با رمزگذارهای خودکار متغیر
• تولید چهره با شبکه های عصبی مولد متخاصم

این دوره برای چه کسانی مناسب است؟

• توسعه دهندگان مبتدی پایتون که در مورد استفاده از یادگیری عمیق برای بینایی کامپیوتری کنجکاو هستند.
• یادگیری عمیق برای متخصصان بینایی کامپیوتری که می‌ خواهند به نحوه عملکرد آیتم ها در under the hood تسلط پیدا کنند.
• کسی که می خواهد به اصول یادگیری عمیق تسلط داشته باشد و همچنین یادگیری عمیق را برای بینایی کامپیوتری با استفاده از بهترین شیوه ها در تنسورفلو تمرین کند.
• متخصصان بینایی کامپیوتری که می خواهند یاد بگیرند که چگونه مدل های بینایی کامپیوتری پیشرفته ساخته شده و با استفاده از یادگیری عمیق آموزش می بینند.
• کسی که می خواهد مدل های یادگیری ماشین را مستقر کند.
• کسی که می خواهند یک رویکرد عملی به یادگیری عمیق برای بینایی کامپیوتری داشته باشند.
• متخصصان بینایی کامپیوتری که می خواهند یاد بگیرند که چگونه مدل های بینایی کامپیوتری پیشرفته ساخته شده و با استفاده از یادگیری عمیق آموزش می بینند.