استفاده از شبکه‌های عصبی برای تحلیل داده‌های تصویری و صوتی

آنچه یاد خواهید گرفت:

یادگیری عمیق، در مقابل یادگیری ماشین، راهی قوی‌تر برای پردازش داده‌های تصویری و صوتی برای مسائل مختلف علم داده مانند طبقه‌بندی و خوشه‌بندی فراهم می‌کند. این عمدتاً به دلیل قدرت شبکه‌های عصبی و توانایی آن‌ها در یادگیری ویژگی‌های مناسب برای نمایش تصاویر و داده‌های صوتی است، بدون نیاز به انتخاب دستی این ویژگی‌ها همان‌طور که در یادگیری ماشین سنتی انجام می‌شود. با این حال، درک ساختار صحیح شبکه عصبی برای دستیابی به بهترین نتیجه ممکن ضروری است.

در این دوره، استفاده از شبکه‌های عصبی برای تحلیل داده‌های تصویری و صوتی، شما توانایی تبدیل داده‌های تصویری و صوتی و نمایش فرم عددی آن (وکتور ویژگی) به‌گونه‌ای که به یک شبکه عصبی ارائه شود را به‌دست خواهید آورد.

اول، شما به درک چگونگی تعریف مشکلات توسط دانشمندان داده در شناسایی تصویر، تشخیص اشیا و تبدیل گفتار به متن در زمینه وکتوریزه کردن و فرمت مورد انتظار برای اینکه شبکه‌های عصبی چگونه این داده‌ها را جذب و نتیجه‌گیری می‌کنند، می‌پردازید.

سپس، شما یاد خواهید گرفت که چگونه به‌درستی معماری‌های مختلف شبکه‌های عصبی را از ساده‌ترین آن‌ها مانند CNN معمولی، تا مدل‌های پیشرفته‌تر مانند مدل‌های مبتنی بر ترنسفورمر، برای حل یک مسئله خاص مبتنی بر تصویر یا صدا و همچنین نقاط قوت و ضعف آن‌ها ارزیابی کنید.

سرانجام، شما یاد خواهید گرفت که چگونه از یک فریم‌ورک یادگیری عمیق به نام PyTorch استفاده کنید تا به‌راحتی پیاده‌سازی‌های مختلف شبکه‌های عصبی را تست کنید و ببینید که چگونه در برابر داده‌ها آموزش می‌بیند و عملکرد مدل را با استفاده از معیارهای مختلف اندازه‌گیری می‌کند.

زمانی که این دوره را به پایان برسانید، شما مهارت‌ها و دانش لازم در مورد شبکه‌های عصبی را خواهید داشت که برای تشخیص و اجرای درست ساختار یک شبکه عصبی با داده‌های تصویری و صوتی لازم است.