شبکه های عصبی کانولوشن در پایتون - بینایی کامپیوتری با CNN

در این دوره با پایتون برای بینایی کامپیوتری و شناسایی تصویر، شبکه عصبی کانولوشن (CNN)، یادگیری عمیق، کراس و تنسورفلو 2 آشنا می شوید.

آنچه یاد خواهید گرفت

• کسب درک کاملی از شبکه های عصبی کانولوشن (CNN) و یادگیری عمیق
• ساخت پروژه end-to-end شناسایی تصویر در پایتون
• یادگیری استفاده از کتابخانه های کراس و تنسورفلو
• استفاده از شبکه های عصبی مصنوعی (ANN) برای انجام پیش بینی ها
• استفاده از دیتافریم های Pandas برای دستکاری داده و انجام محاسبات آماری

توضیحات دوره

پس از اتمام دوره قادر به انجام موارد زیر خواهید بود:

• مشکلات شناسایی تصویر را که می توان با استفاده از مدل های CNN حل کرد، شناسایی می کنید.
• مدل های CNN را در پایتون با استفاده از کتابخانه های کراس و تنسورفلو ایجاد کرده و نتایج آن ها را تحلیل می کنید.
• مفاهیم یادگیری عمیق را با اطمینان تمرین، بحث و درک می کنید.
• درک واضحی از مدل‌ های شناسایی تصویر پیشرفته مانند LeNet و GoogleNet و VGG16 و غیره کسب می کنید.

در زیر مطالب دوره در شبکه ANN آمده است:

بخش 1 - مبانی پایتون

این بخش شما را با پایتون آشنا می کند.

این بخش به شما کمک می کند تا محیط پایتون و Jupyter را روی سیستم خود راه اندازی کنید و به شما یاد می دهد که چگونه برخی از عملیات های اولیه را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy و Pandas و Seaborn را درک خواهیم کرد.

بخش 2 - مفاهیم نظری ANN

این بخش به شما درک کاملی از مفاهیم دخیل در شبکه های عصبی ارائه می دهد.

در این بخش با سلول های منفرد یا پرسپترون ها و نحوه انباشت پرسپترون ها برای ایجاد معماری شبکه آشنا خواهید شد. هنگامی که معماری تنظیم شد، الگوریتم گرادیان کاهشی را برای یافتن حداقل یک تابع درک می کنیم و یاد می گیریم که چگونه از آن برای بهینه سازی مدل شبکه خود استفاده می شود.

بخش 3 - ایجاد مدل ANN در پایتون

در این بخش با نحوه ایجاد مدل های ANN در پایتون آشنا می شوید.

ما این بخش را با ایجاد مدل ANN با استفاده از Sequential API برای حل یک مشکل طبقه بندی شروع می کنیم. ما یاد می گیریم که چگونه معماری شبکه را تعریف کنیم، مدل را پیکربندی کرده و آموزش دهیم. سپس عملکرد مدل آموزش دیده خود را ارزیابی کرده و از آن برای پیش بینی داده جدید استفاده می کنیم. در نهایت نحوه ذخیره و بازیابی مدل ها را یاد می گیریم.

ما همچنین اهمیت کتابخانه هایی مانند کراس و تنسورفلو را در این بخش درک می کنیم.

بخش 4 - مفاهیم نظری CNN

در این بخش با لایه های pooling و کانولوشن که بلوک های سازنده مدل های CNN هستند آشنا می شوید.

در این بخش، با تئوری پایه لایه کانولوشن، stride، فیلترها و نقشه های ویژگی شروع می کنیم. همچنین توضیح می دهیم که چگونه تصاویر gray-scale با تصاویر رنگی متفاوت هستند. در نهایت لایه pooling را مورد بحث قرار می دهیم که کارایی محاسباتی را در مدل ما به ارمغان می آورد.

بخش 5 - ایجاد مدل CNN در پایتون

در این بخش با نحوه ایجاد مدل های CNN در پایتون آشنا می شوید.

ما همان مشکل شناسایی آبجکت های مد را در نظر می گیریم و مدل CNN را برای آن اعمال می کنیم. ما عملکرد مدل CNN خود را با مدل ANN خود مقایسه می کنیم و متوجه می شویم که دقت 9-10٪ با استفاده از CNN افزایش می یابد. با این حال، این پایان کار نیست. ما می‌ توانیم با استفاده از تکنیک‌ های خاصی که در بخش بعدی بررسی می‌ کنیم، دقت را بیشتر افزایش دهیم.

بخش 6 - پروژه End-to-End شناسایی تصویر در پایتون

در این بخش یک پروژه کامل شناسایی تصویر روی تصاویر رنگی می سازیم.

این دوره برای چه کسانی مناسب است؟

• افرادی که به دنبال شغلی در علم داده هستند.
• حرفه ای ها که سفر خود در یادگیری عمیق را آغاز می کنند.
• کسی که کنجکاو است در یک بازه زمانی کوتاه بر شناسایی تصویر از سطح مبتدی مسلط شود.