بینایی ماشین از صفر تا قهرمان

آنچه یاد خواهید گرفت:

• تسلط به اصول کتابخانه IceVision برای تشخیص اشیا
• آماده‌سازی و مدیریت مجموعه‌داده متنوع برای تسک های بینایی ماشین
• پیاده‌سازی مدل‌ها و ستون‌های اصلی مختلف تشخیص اشیا با استفاده از IceVision
• آموزش و ارزیابی کارآمد مدل‌ها با fastai

پیش‌نیازهای دوره

• درک اولیه از برنامه‌نویسی Python
• آشنایی با مفاهیم یادگیری عمیق (مانند شبکه‌های عصبی، آموزش، اعتبارسنجی)
• (اختیاری اما توصیه‌شده) دانش اولیه از fastai

توضیحات دوره

این دوره جامع Udemy شما را با کتابخانه IceVision، یک چارچوب مستقل از فریم‌ورک برای تشخیص اشیا در بینایی ماشین، آشنا می‌کند. یاد می‌گیرید چگونه از قابلیت‌های قدرتمند IceVision برای ساخت، آموزش و استقرار مدل‌های پیشرفته تشخیص اشیا با استفاده از فریم‌ورک‌های یادگیری عمیق مختلف مانند fastai و PyTorch Lightning استفاده کنید. این دوره همه‌چیز را از نصب و آماده‌سازی داده‌ تا مباحث پیشرفته‌ای مانند parserهای سفارشی، افزایش داده، انتخاب مدل و استقرار پوشش می‌دهد. با استفاده از درس‌های تعاملی و پروژه‌های عملی، تجربه‌ای کاربردی در حل مسائل واقعی بینایی ماشین به دست خواهید آورد.

در دنیای تشخیص اشیا با IceVision، یک کتابخانه چندمنظوره و قدرتمند که برای ساده‌سازی گردش‌کارهای بینایی ماشین شما طراحی شده است، عمیق شوید. این دوره با دقت طراحی شده تا یک اصول محکم در تشخیص اشیا به شما بدهد؛ از مفاهیم کاملاً ابتدایی شروع می‌کند و به‌تدریج به تکنیک‌های پیشرفته می‌رسد. ابتدا با مفاهیم اصلی IceVision آشنا می‌شوید، از جمله رویکرد منحصربه‌فرد آن برای مدیریت داده‌ از طریق Parsers و Records، و اینکه چگونه Transformهای مختلف را برای افزایش داده‌ قدرتمند به‌طور مؤثر به کار بگیرید. همچنین بررسی می‌کنیم که IceVision چگونه به‌صورت یکپارچه با فریم‌ورک‌های محبوب یادگیری عمیق مانند fastai ادغام می‌شود و به شما امکان می‌دهد مدل‌های پیشرفته‌ای مانند Faster R-CNN ،EfficientDet و YOLOv5 را به‌سادگی آموزش دهید.

هر بخش از این دوره سرشار از پروژه‌های عملی و کاربردی است که مفاهیم نظری را تقویت می‌کنند. یاد می‌گیرید برای مجموعه‌داده‌ خاص خود، پایپ‌لاین‌های داده‌ سفارشی بسازید، راهبردهای پیشرفته‌ی افزایش داده را پیاده‌سازی کنید و مدل‌های ازپیش‌آموزش‌دیده را برای دستیابی به بهترین عملکرد، بهینه‌سازی کنید.

موضوعات ضروری مانند معیارهای انتخاب مدل، درک معماری‌های مختلف ستون اصلی و ارزیابی مدل‌ها با معیارهای استاندارد صنعتی مانند COCO mAP نیز پوشش داده می‌شوند. در پایان این دوره، مهارت و اعتمادبه‌نفس لازم را برای حل چالش‌های پیچیده‌ی تشخیص اشیا، توسعه‌ی راهکارهای قدرتمند بینایی ماشین و استقرار آن‌ها در سناریوهای واقعی به دست خواهید آورد.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده و مهندسان یادگیری ماشین که به تشخیص اشیا علاقه‌مند هستند.
• پژوهشگران و دانشجویانی که می‌خواهند مدل‌های مختلف تشخیص اشیا را پیاده‌سازی و آزمایش کنند.
• هر کسی که می‌خواهد کاربردهای عملی بینایی ماشین بسازد.