دوره آموزشی یادگیری جامع Computer Vision برای دانشمندان داده
4 ساعت 2 دقیقهپیشرفته2023-10-12
مدرسین

Harpreet Sahota
جزئیات دوره
چشم انداز کامپیوتری از زمان آغاز فروتنانه خود راه طولانی را پیموده است. و امروزه، یکی از زمینههای مورد بحث در فناوری است. به مربی Harpreet Sahota در این مرور جامع از تاریخچه و تکامل این صنعت به طور فزاینده مهم بپیوندید، درک خود را از شبکههای عصبی کانولوشنال، آموزش شبکه، مدلهای یادگیری عمیق برای وظایف طبقهبندی تصویر، انتقال یادگیری با مدلهای از پیش آموزشدیده، و موارد دیگر توسعه دهید. طیف گسترده ای از عملکردهای ارائه شده توسط کتابخانه آموزشی انعطاف پذیر SuperGradients را کاوش کنید، که به شما قدرت می دهد تا چرخه عمر توسعه مدل را کوتاه و ساده کنید. در طول مسیر، هارپریت بینشهای عملی در مورد نحوه آموزش مؤثرتر مدلها و شبکهها با استفاده از تکنیکهای پیشرفتهتر مانند میانگین متحرک نمایی، میانگین وزنی، انباشت دستهای و BatchNorm به اشتراک میگذارد.
توجه: این دوره به دانش اولیه کار در مورد یادگیری ماشین و همچنین تجربه با Python و PyTorch نیاز دارد.
توجه: این دوره به دانش اولیه کار در مورد یادگیری ماشین و همچنین تجربه با Python و PyTorch نیاز دارد.
مهارت ها
SuperGradientsPyTorchNeural Networks and Deep LearningPythonEssential TrainingArtificial Intelligence (AI)Open Source
سرفصل ها
0. مقدمه
- 01 - معرفی بینایی کامپیوتر
- 02 - آنچه باید بدانید
1. کامپیوتر ویژن
- 03 - بینایی کامپیوتر چیست
- 04 - تاریخچه بینایی کامپیوتر
- 05 - محدودیتهای تکنیکهای سنتی CV
- 06 - ImageNet
- 07 - انقلاب یادگیری عمیق
2. مقدمه ای بر شبکههای عصبی کانولوشن
- 08 - مروری بر CNN ها
- 09 - چرا CNN ها
- 10 - لایههای کانولوشن
- 11 - انواع کانولوشن
- 12 - لایههای ترکیبی
- 13 - توابع فعال سازی
- 14 - لایههای کاملا متصل
3. نحوه آموزش شبکه ها
- 15 - نظارت بر عملکردهای یادگیری و از دست دادن
- 16 - پس انتشار در CNN
- 17 - تکنیکهای بهینه سازی
- 18 - منظم سازی و افزایش داده ها
4. تکامل معماری CNN
- 19 - LeNet
- 20 - الکس نت
- 21 - VGG
- 22 - ResNet
- 23 - MobileNetV1
- 24 - MobileNetV2
- 25 - MobileNetV3
- 26 - EfficientNet
5. آموزش انتقال
- 27 - مقدمه ای بر یادگیری انتقالی
- 28 - انواع یادگیری انتقالی
- 29 - مراحل استخراج ویژگی و تنظیم دقیق
- 30 - بهترین شیوهها برای یادگیری انتقالی
6. PyTorch Crash Course
- 31 - راهاندازی محیط
- 32 - Dataset و DataLoader
- 33 - راهاندازی آموزش
- 34 - حلقه آموزش
- 35 - آزمون و ارزشیابی
- 36 - استنباط
7. آموزش انتقال عملی با SuperGradients
- 37 - مقدمه ای بر SuperGradients
- 38 - مربی
- 39 - پارامترهای آموزشی مورد نیاز
- 40 - پارامترهای آموزشی اختیاری
- 41 - آموزش مدل
- 42 - پیشبینی با مدل
- 43 - نحوه حل تقریباً هر مشکل طبقه بندی تصویر با SG
8. ترفندهای آموزشی
- 44 - میانگین متحرک نمایی
- 45 - میانگین وزن
- 46 - انباشت دسته ای
- 47 - BatchNorm دقیق
- 48 - کاهش وزن صفر در BatchNorm و بایاس
- 49 - ترفندهای آموزشی در SuperGradients
نتیجه
- 50 - مراحل بعدی