معرفی محصول
شما دوره مناسب شبکه های عصبی را پیدا کرده اید!
پس از اتمام این دوره شما قادر خواهید بود:
با استفاده از کتابخانه های Keras و Tensorflow مدل های شبکه عصبی را در پایتون ایجاد کنید و نتایج آنها را تجزیه و تحلیل کنید.
استفاده از کتابخانه های Keras و Tensorflow را بیاموزید.
درک کاملی از شبکه های عصبی مصنوعی (ANN) و یادگیری عمیق در تصویر داشته باشید.
سناریوهای کسب و کار را که در آن شبکه های عصبی مصنوعی (ANN) قابل اجرا هستند، درک کنید
ساخت شبکه عصبی مصنوعی (ANN) در پایتون .
برای پیش بینی و طبقه بندی تصاویر از شبکه های عصبی مصنوعی (ANN) استفاده کنید.
به منظور خوشه بندی تصاویر از الگوریتم Kmeans بهره بگیرید.
و…. .
قبل از آغاز توضیحات این دوره بهتر است با یک تفاوت مهم آشنا شویم.
تفاوت بین داده کاوی ، یادگیری ماشین و یادگیری عمیق چیست؟
به زبان ساده، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند ، با این تفاوت که انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش های ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش های شناخته شده را بازتولید می کند و بعداً بطور خودکار این اطلاعات را برای داده ها، تصمیم گیری ها و اقدامات اعمال می کند.
از طرف دیگر، یادگیری عمیق از قدرت پیشرفته محاسباتی و انواع خاصی از شبکه های عصبی استفاده می کند و آنها را برای مقادیر زیادی از داده ها برای یادگیری، درک و شناسایی الگوهای پیچیده اعمال می کند. ترجمه خودکار زبان و تشخیص پزشکی نمونه هایی از یادگیری عمیق است.
ویژگی های محصول
- قیمت: 150000 تومان
- مدرس: زهرا طباطبایی
- تخصص: پردازش تصویر با کمک به کاری الگوریتم های نوین یادگیری ماشین/یادگیری عمیق
- موضوع: آموزش کاربرد شبکه های عصبی و یادگیری عمیق در پردازش تصویر
- نرم افزار: پایتون
- مخاطب: تمامی رشته ها (برق- کامپیوتر- معماری- عمران- مکانیک- فیزیک و... .)
- نوع آموزش: ویدیویی
- پاورپوینت: ندارد
- داده های تمرینی: ندارد
- پیش نیاز: پردازش تصویر در متلب برمبنای کتاب گنزالس، پایتون مقدماتی، رگرسیون در پایتون، طبقه بندی در پایتون، خوشه بندی و کاهش ویژگی در پایتون و شبکه های عصبی مصنوعی در پایتون
معرفی مدرس
- زهرا طباطبایی
- حوزه ی تخصصی: پردازش تصویر و شبکه های عصبی/ یادگیری عمیق
- دارنده مدرک کارشناسی برق الکترونیک
- دارنده مدرک کارشناسی ارشد برق الکترونیک
- دانشجوی دکتری دانشگاه پلی تکنیک والنسیا(UPV)
اگر شما دانشجویی هستید که می خواهد یادگیری عمیق را در مشکلات دنیای واقعی تجارت بیاموزد و از آن استفاده کند، این دوره با آموزش برخی از پیشرفته ترین مفاهیم شبکه های عصبی، پایه محکمی برای شما ایجاد می کند
عناوین آموزشی
- آشنایی با کتابخانه های Tensorflow، Seaborn و Keras
- راهنمای نصب ساده Tensorflow، Seaborn و Keras
- آشنایی با محیط Anaconda
- راهنمای نصب کتابخانه OpenCV
- آشنایی با مجموعه داده Iris و Fashion_mnist، Digit و California housing...
- آشنایی با عملکرد ماژول Perceptron در پایتون
- طبقه بندی داده ها
- نرمال سازی داده ها
- تنظیم مقدار هایپرپارامترها
- تقسیم داده ها به مجموعه داده آموزشی، اعتبارسنجی و تست
- ارائه یک روش متفاوت برای ساخت شبکه NN توسط Keras
- کامپایل و آموزش شبکه عصبی ساخته شده
- بررسی دقت مدل ساخته شده و پیشبینی خروجی داده های تست
- معرفی معیار mean square error و mae
- آموزش نحوه ذخیره سازی یک مدل طراحی شده برای استفاده مکرر
- آموزش نحوه فراخوانی مدل طراحی شده
- آموزش کنترل تعداد epoch ها در طراحی یک مدل در بهینه ترین مقدار
- بررسی لایه های پنهان برای طراحی یک شبکه عمیق عصبی
- بررسی وزن های مطلوب در داده های مورد مطالعه
- معرفی ماژول callbacks به منظور ذخیره سازی مرحله به مرحله هر epoch
- طبقه بندی تصاویر توسط شبکه ANN (مجموعه داده fashion_mnist)
- مروری بر مفاهیم الگوریتم خوشه بندی Kmeans
- مروری بر تفاوت بین طبقه بندی و خوشه بندی (الگوریتم های تحت نظارت و بدون نظارت)
- مروری بر مفاهیم تصویر و پردازش تصویر
- اعمال یک الگوریتم ساده از Kmeans برای خوشه بندی
- معرفی برخی ماژول های مورد نیاز در پردازش تصویر
- اعمال Kmeans بر یک تصویر (دلخواه)
- حذف خوشه های مورد نظر از تصویر و نمایش آن
- ارائه یک روش متفاوت و جالب برای ساخت Kmeans به منظور خوشه بندی
معرفی نرم افزار
چرا از پایتون برای یادگیری عمیق استفاده کنیم؟
درک پایتون یکی از مهارت های ارزشمندی است که برای حرفه ای در یادگیری عمیق لازم است. اگرچه همیشه اینگونه نبوده است ، پایتون زبان برنامه نویسی انتخابی برای علم داده است. در اینجا یک تاریخچه مختصر آورده شده است:
در سال 2018، 66٪ از دانشمندان داده استفاده روزانه از پایتون را گزارش کردند، و آن را به شماره یک ابزار برای متخصصان تجزیه و تحلیل تبدیل کردند.
کارشناسان Deep Learning انتظار دارند این روند با رشد روز افزون در اکوسیستم پایتون ادامه یابد و گرچه ممکن است سفر شما برای یادگیری برنامه نویسی پایتون تازه آغاز شده باشد، اما خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) هستند.
*این نرم افزار یکی از پرطرفدارترین نرم افزار ها در دانشگاه های خارج از کشور جهت پذیرش دانشجوی بین المللی در تمامی رشته ها (مانند: برق، شیمی، بیولوژی، کامپیوتر، فیزی، رادیولوژی و ….. ) و گرایش هاست.
داده ها
مجموعه ای از داده های پیش فرض پایتون به منظور آموزش عمیقتر این نرم افزار در نظر گرفته شده است. مجموعه داده Iris و Fashion_mnist، Digit، California housing و… .
منطقه مورد مطالعه
تکنیک ارائه شده در این محصول آموزشی به هیچ مکانی محدود نبوده و در واقع آموزش یک تکنیک برنامه نویسی است.
کاربرد این محصول
این دوره چگونه به شما کمک می کند؟
اگر شما دانشجویی هستید که می خواهد یادگیری عمیق را در مشکلات دنیای واقعی تجارت بیاموزد و از آن استفاده کند، این دوره با آموزش برخی از پیشرفته ترین مفاهیم شبکه های عصبی، پایه محکمی برای شما ایجاد می کند.
در پایان این دوره با اعتماد به نفس می توانید بر تمرین، بحث و درک مفاهیم یادگیری عمیق مسلط شوید.
مخاطب این محصول
- افرادی که در علم داده مشغول کار هستند.
- دانشجویانی که قصد ادامه تحصیل در دانشگاه های برتر دنیا دارند.
- هر کسی کنجکاو است که در یک بازه زمانی کوتاه از ANN از سطح مبتدی تسلط پیدا کند.
سوال دارید؟
در این صفحه سعی شده تا تمامی مطالب مورد نیاز کاربران پیش از فرایند خرید عرضه شود. با این حال در صورتی که از مدرس سوال دارید می توانید از بخش نظرات در بخش بالای صفحه استفاده کنید. بخش نظرات برای پرسش و پاسخ با مدرس طراحی شده است. هم چنین در صورتی که نسبت به محتوای محصول انتقاد و یا پیشنهاداتی دارید از طریق بخش نظرات آن را مطرح کرده و سپس نسبت به این محصول امتیاز دهید. هرچه امتیاز دهی شما دقیق تر باشد، سایر کاربران به شکل بهتری در استفاده از این محصول و کیفیت مدرس آگاهی پیدا خواهند کرد.
شادابفر
در تاریخ
با سلام،
سؤال بنده در رابطه با این محصول این است که آیا پیاده سازی شبکه های عصبی پیچشی (CNN) در طبقه بندی تصاویر تشریح شده یا تنها به شبکه های عصبی چند لایه پرداخته شده.
با تشکر
زهرا طباطبایی
در تاریخ
با سلام و وقت بخیر
خیر. تصاویر ماهواره ای در این آموزش به کار گرفته نشده اند.
در این آموزش هدف یادگیری اثر شبکه های عصبی و.. بر طبقه بندی تصاویر بوده است.
موفق باشید.
با احترام
طباطبایی
bahar66
در تاریخ
با سلام،
سؤال بنده در رابطه با این محصول این است که آیا پیاده سازی شبکه های عصبی پیچشی (CNN) در طبقه بندی تصاویر تشریح شده یا تنها به شبکه های عصبی چند لایه پرداخته شده.
با تشکر
زهرا طباطبایی
در تاریخ
با سلام و وقت بخیر
در این آموزش به یادگیری شبکه های عصبی چند لایه می پردازیم.
موفق باشید.
با احترام طباطبایی
بهار
در تاریخ
باسلام تصویری که طبقه بندی می کنید با شبکه عصبی تصاویر ماهواره ای می باشد؟
زهرا طباطبایی
در تاریخ
با سلام و وقت بخیر
خیر. تصاویر ماهواره ای در این آموزش به کار گرفته نشده اند.
در این آموزش هدف یادگیری اثر شبکه های عصبی و.. بر طبقه بندی تصاویر بوده است.
موفق باشید.
با احترام
طباطبایی
الناز افشار
در تاریخ
با سلام.
هدف من ایجاد یک مدل پیش بینی کننده پوکی استخوان از روی تصاویر دگزا و شبکه عصبی مصنوعی ANN هست.
با توجه به اینکه در این زمینه هیچ مهارتی ندارم آیا این دوره برای من مفید خواهد بود؟