یادگیری ماشین روی دستگاه برای اپلیکیشن‌های موبایل - از آموزش تا استقرار

آنچه یاد خواهید گرفت:

• آموزش مدل‌های یادگیری ماشین و یادگیری عمیق، بهینه‌سازی و استفاده از آن‌ها در اپلیکیشن‌های موبایل برای ایجاد اپلیکیشن‌های مبتنی بر یادگیری ماشین بر روی دستگاه
• یکپارچه‌سازی مدل‌های آموزش‌دیده در اپلیکیشن‌های موبایل با فریم‌ورک‌هایی مانند فلاتر (اندروید و iOS)، اندروید نیتیو (کاتلین) و iOS نیتیو (Swift)
• آموزش مدل‌های طبقه‌بندی تصویر و بهینه‌سازی آن‌ها برای استقرار روی موبایل
• جمع‌آوری و حاشیه‌نویسی داده، آموزش مدل تشخیص شی و تبدیل آن به تنسورفلو لایت
• ساخت و آموزش یک مدل رگرسیون خطی و آماده‌سازی آن برای استفاده در موبایل با تنسورفلو لایت
• درک مبانی یادگیری ماشین، انواع آن و چگونگی کاربرد آن در سناریوهای واقعی
• بدست آوردن دانش اساسی از یادگیری عمیق و اینکه شبکه‌های عصبی مصنوعی چگونه کار می‌کنند.
• ساخت اپلیکیشن‌های کاربردی که از مدل‌های یادگیری ماشین استفاده می‌کنند. - مانند اپلیکیشن‌های پیش‌بینی، طبقه‌بندی‌کننده‌های تصویر و تشخیص‌دهنده‌های اشیاء با پردازش تصویر و ویدئو
• یادگیری سینتکس کلیدی پایتون و کتابخانه‌های علم داده، از جمله NumPy، پانداس و Matplotlib
• تسلط به تنسورفلو برای آموزش مدل و تنسورفلو لایت برای بهینه‌سازی و استقرار مدل بر روی موبایل
• آموزش مدل‌های پیشرفته‌تر مانند پیش‌بینی بازدهی سوخت و قیمت خانه، سپس تبدیل آن‌ها به تنسورفلو لایت

پیش‌نیازهای دوره

• تجربه قبلی در زمینه یادگیری ماشین، یادگیری عمیق یا توسعه اپلیکیشن‌ها الزامی نیست، اما تمایل به یادگیری این مباحث مفید خواهد بود.

توضیحات دوره

پتانسیل یادگیری ماشین (ML) و توسعه اپلیکیشن موبایل را در یک دوره جامع آنلاک کنید! این دوره برای مبتدیان و توسعه‌دهندگان با تجربه طراحی شده است و شما را از مفاهیم اولیه یادگیری ماشین تا ساخت و استقرار اپلیکیشن‌های هوشمند موبایل بر روی اندروید، فلاتر و iOS راهنمایی می‌کند.

آنچه یاد خواهید گرفت:

• اصول یادگیری ماشین و یادگیری عمیق: با مبانی یادگیری ماشین آغاز کنید، انواع و کاربردهای آن و تأثیر آن‌ها بر فناوری مدرن را درک کنید. سپس به یادگیری عمیق و شبکه‌های عصبی مصنوعی پرداخته و شباهت آن‌ها به مغز انسان برای انجام پیش‌بینی‌ها را بررسی کنید.
• برنامه‌نویسی پایتون و کتابخانه‌های ضروری علم داده: با پایتون، زبان اصلی علم داده، آشنا شوید. شما تجربه عملی با کتابخانه‌های قدرتمندی مانند NumPy برای دستکاری داده، پانداس برای تحلیل داده و Matplotlib برای مصورسازی داده بدست خواهید آورد که پایه‌گذار مجموعه ابزار علم داده شما خواهد بود.
• تنسورفلو و تنسورفلو لایت برای آموزش مدل: با اصول تنسورفلو، فریم‌ورک استاندارد صنعتی برای آموزش مدل‌های یادگیری ماشین قدرتمند آشنا شوید. همچنین تنسورفلو لایت را کشف خواهید کرد که به شما امکان می‌دهد مدل‌ها را بهینه‌سازی و در دستگاه‌های موبایل مستقر کنید که یکپارچه‌سازی یادگیری ماشین در اپلیکیشن‌ها را بی‌نقص و کارآمد می‌کند.

آموزش و تبدیل مدل به تنسورفلو لایت:

• مدل‌های رگرسیون خطی و پیش‌بینی: با یک مدل رگرسیون خطی ساده شروع کنید و به اصول آموزش و ارزیابی مدل تسلط یابید. سپس به پروژه‌های عملی مانند پیش‌بینی بازدهی سوخت و قیمت خانه پرداخته و این مدل‌ها را به تنسورفلو لایت برای استقرار آسان در موبایل تبدیل کنید.
• طبقه‌بندی تصویر: طبقه‌بندی تصویر را با دو رویکرد یاد بگیرید. ابتدا یک شبکه عصبی را در پایتون آموزش دهید و سپس ابزار رایگان درگ و دراپ گوگل به نام Teachable Machine را برای رویکرد بدون کد بررسی کنید. پس از آموزش، این مدل‌ها را به تنسورفلو لایت تبدیل خواهید کرد تا آماده موبایل شوند.
• تشخیص شی با یادگیری انتقالی: مهارت‌های خود را با یادگیری تشخیص شی بهبود دهید. داده را جمع‌آوری و حاشیه‌نویسی کنید و یک مدل تشخیص اشیاء را با یادگیری انتقالی آموزش دهید تا نتایج دقیق‌تر و سریع‌تری داشته باشید. پس از آموزش، مدل را به تنسورفلو لایت برای استقرار موبایل تبدیل کنید.

توسعه اپلیکیشن موبایل با مدل‌های یادگیری ماشین:

پس از آماده شدن مدل‌های شما، به دنیای هیجان‌انگیز توسعه اپلیکیشن موبایل بپردازید! شما خواهید آموخت چگونه این مدل‌های یادگیری ماشین را در اپلیکیشن‌های موبایل در سه پلتفرم محبوب یکپارچه‌سازی کنید:

• فلاتر (دارت): ابتدا با مدل‌های رگرسیون خطی، اپلیکیشن‌هایی برای پیش‌بینی مقادیر ساده مانند بازدهی سوخت و قیمت خانه بسازید. سپس با مدل‌های طبقه‌بندی تصویر در فلاتر کار کنید تا تصاویر و ویدئوها را طبقه‌بندی کنید. در نهایت، مدل‌های تشخیص اشیا را یکپارچه‌سازی کنید تا اشیا را در تصاویر و ویدئوها در اپلیکیشن فلاتر خود شناسایی نمایید.
• اندروید نیتیو (کاتلین): این فرآیند را در اندروید تکرار کنید و با کاتلین اپلیکیشن‌هایی بسازید که مدل‌های رگرسیون، طبقه‌بندی و تشخیص شی شما را یکپارچه کند. شما تجربه کار با API‌های یادگیری ماشین و دوربین اندروید را کسب خواهید کرد و مطمئن خواهید شد که اپلیکیشن‌های شما قادر به پردازش تصاویر و ویدئوهای زنده هستند.
• iOS (Swift): در نهایت، مدل‌های رگرسیون خطی را در اپلیکیشن‌های iOS با Swift یکپارچه‌سازی کنید و این امکان را برای کاربران فراهم کنید تا به سادگی پیش‌بینی‌ها را مستقیماً در دستگاه‌های iOS خود انجام دهند.

چرا این دوره را بگذرانیم؟

با پایان این دوره، گردش کار کامل یادگیری ماشین، از آموزش مدل‌ها در پایتون تا استقرار آن‌ها در اپلیکیشن‌های موبایل را یاد خواهید گرفت. چه شما یک توسعه‌دهنده باشید که می‌خواهد هوش مصنوعی را به اپلیکیشن‌های خود اضافه کند و چه یک دانشمند داده که به دنبال گسترش مهارت‌های خود به موبایل است، این دوره به طور خاص برای شما طراحی شده است.

آنچه خواهید ساخت:

• اپلیکیشن‌های رگرسیون خطی برای پیش‌بینی قیمت و بازدهی
• اپلیکیشن‌های طبقه‌بندی تصویر با تصاویر و ویدئوها
• اپلیکیشن‌های تشخیص شی با قابلیت‌های تشخیص زنده

این دوره برای چه کسانی مناسب است؟

• هرکسی که می‌خواهد اپلیکیشن‌های هوشمند موبایل ایجاد کند که از مدل‌های یادگیری ماشین برای موارد استفاده واقعی بهره‌می‌برند.
• هر کسی که جدیدا با یادگیری ماشین آشنا است و به دنبال یک دوره عملی، مبتدی‌پسند با کاربردهای عملی است.
• افرادی با پیشینه در علم داده که به دنبال گسترش مهارت‌های خود به استقرار مدل‌های یادگیری ماشین در موبایل هستند.
• توسعه‌دهندگان اندروید، iOS و فلاتر که می‌خواهند قابلیت‌های یادگیری ماشین را به اپلیکیشن‌های خود اضافه کنند.
• توسعه‌دهندگانی که به یادگیری نحوه یکپارچه‌سازی مدل‌های یادگیری ماشین در اپلیکیشن‌های موبایل علاقه‌مندند.
• متخصصانی که به دنبال ارائه خدمات توسعه اپلیکیشن‌های یادگیری ماشین برای مشتریان هستند.