پروژه - تشخیص پنل خورشیدی پشت بامی با استفاده از یادگیری عمیق
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید آموخت:
- پروژه end-to-end کامل و ارزشمند برای رزومه
- یادگیری درباره تصاویر هوایی و داده مرتبط
- تحلیل داده و پیشپردازش داده تصویر هوایی
- الگوریتمهای یادگیری ماشین برای تصاویر مانند CNN
توضیحات دوره
به «پروژه - تشخیص پنل خورشیدی پشت بام یبا استفاده از یادگیری عمیق» خوش آمدید.
در عصر کنونی انرژیهای تجدیدپذیر، پنلهای خورشیدی در سرتاسر جهان بر روی پشت بامها خود را نشان میدهند. شناسایی موثر آنها میتواند به صنایع، برنامهریزان شهری و محققان کمک کند. در این دوره عملی، به دنیای هوش مصنوعی میپردازیم تا برای شناسایی پنلهای خورشیدی از تصاویر هوایی، مدلی پیشرفته را توسعه دهیم.
آنچه یاد خواهید گرفت:
- اصول یادگیری عمیق - سفر خود را با درک بنیادی از شبکههای عصبی، معماریهای آنها و جادوی پشت تواناییهای آنها شروع میکنید.
- آمادهسازی داده - یاد میگیرید چگونه مجموعه دادههای تصاویر هوایی را منبعیابی، پاکسازی و آماده کنید تا برای آموزش مدلهای یادگیری عمیق مناسب باشند.
- ساخت مدل - به جزئیات ساخت، آموزش و تیونینگ دقیق شبکههای عصبی کانولوشن (CNN) برای تسکهای دقیق شناسایی میپردازید.
- ارزیابی و بهینهسازی - به تکنیکهایی برای ارزیابی عملکرد مدل خود و بهینهسازی آن برای دقت بالا مسلط میشوید.
- کاربردهای واقعی - در پایان دوره، مدل قابل استقراری را برای شناسایی پنلهای خورشیدی از نمای دید پرنده خواهید داشت.
خواه شما یک دانشجو، یک حرفهای یا یک فرد علاقهمند به بخش انرژیهای تجدیدپذیر یا هوش مصنوعی باشید، این دوره به شما مهارتهای لازم برای کمک به آیندهای سبزتر و پیشرفتهتر فناورانه را ارائه میدهد. نیاز به تجربه قبلی در یادگیری عمیق نیست، اما درک پایه از برنامهنویسی پایتون میتواند مفید باشد.
شما از همافزایی هوش مصنوعی و انرژیهای تجدیدپذیر بهره میبرید و مهارتهای خود را به خط مقدم نوآوری هدایت میکنید. همین حالا در دوره شرکت کرده و سفر یادگیری مؤثر را شروع کنید.
این دوره برای چه کسانی مناسب است؟
- کسی که به تصاویر ماهوارهای و هوایی و علم داده علاقهمند است.
پروژه - تشخیص پنل خورشیدی پشت بامی با استفاده از یادگیری عمیق
-
گردشکار پروژه 01:53
-
آشنایی با بیانیه پروژه 03:05
-
خلاصهای از مجموعه داده 01:29
-
ایمپورت کتابخانهها و مجموعه داده 04:12
-
تابع برای آمادهسازی داده برای آموزش و اعتبارسنجی 09:03
-
تحلیل و پیشپردازش داده 09:36
-
آزمون 1 None
-
توضیحی سریع درباره شبکه عصبی کانولوشن (CNN) 02:29
-
تابع برای ساخت شبکه عصبی کانولوشن (CNN) 10:04
-
اعتبارسنجی متقابل K-Fold طبقهبندی شده برای بررسی عملکرد مدل 07:27
-
ساخت، آموزش و ارزیابی مدل CNN 04:04
-
آزمون 2 None
-
متریکهای ارزیابی برای طبقهبندی (TP و FP و TN و FN) 04:02
-
مصورسازی این متریکهای ارزیابی (TP و FP و TN و FN) 06:18
-
درک و پیادهسازی منحنی ROC و AUC 04:45
-
ماتریس درهمریختگی برای ارزیابی عملکرد مدل 03:25
-
نتیجهگیری پروژه 03:46
-
آزمون 3 None
مشخصات آموزش
پروژه - تشخیص پنل خورشیدی پشت بامی با استفاده از یادگیری عمیق
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:18
- مدت زمان :01:15:46
- حجم :830.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy