تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی یادگیری عمیق و بینایی ماشین: شناسایی اشیاء با استفاده از PyTorch

دوره آموزشی یادگیری عمیق و بینایی ماشین: شناسایی اشیاء با استفاده از PyTorch

59 دقیقهپیشرفته2025-06-09

مدرسین

Prateek Sawhney

Prateek Sawhney

AI Engineer at CM1 GmbH, GitHub Campus Expert

جزئیات دوره

تو این دوره پیشرفته، با «پراتیک ساوهنی» همراه می‌شی تا به صورت حرفه‌ای یاد بگیری چطور مدل‌های تشخیص اشیاء (Object Detection) رو با استفاده از PyTorch بسازی، آموزش بدی و بهینه‌سازی کنی. توی این دوره، با مدل‌های معروف و پرکاربرد مثل YOLO، SSD و Faster R-CNN کار می‌کنی و توی پروژه‌های واقعی، تجربه عملی کسب می‌کنی.

تا آخر دوره، می‌تونی یک سیستم تشخیص شیء واقعی رو از صفر تا صد پیاده‌سازی کنی؛ از جمع‌آوری و آماده‌سازی داده گرفته تا آموزش، ارزیابی و حتی استقرار مدل توی اپلیکیشن‌های زمان‌واقعی (real-time).

جالبه بدونی این دوره با GitHub Codespaces یکپارچه شده؛ یعنی بدون نیاز به نصب هیچی روی سیستم خودت، می‌تونی توی محیط ابری درست مثل یک IDE حرفه‌ای کدت رو بنویسی و اجرا کنی. پس از هر جا و با هر دستگاهی می‌تونی شروع به تمرین و یادگیری کنی!

🎯 اهداف یادگیری:
ساخت و آموزش مدل‌های تشخیص شیء پیشرفته با PyTorch مثل YOLO، SSD و Faster R-CNN
پیاده‌سازی مدل‌ها در پروژه‌های واقعی و استفاده از یادگیری انتقالی (transfer learning) برای بهبود عملکرد
ارزیابی و بهینه‌سازی مدل‌ها با استفاده از معیارهایی مثل IoU و mAP
آشنایی با GitHub Codespaces و استفاده از اون برای توسعه ابری و کدنویسی تیمی
اجرای یک پروژه کامل تشخیص اشیاء: از آماده‌سازی داده‌ها، آموزش مدل و ارزیابی تا پیاده‌سازی نهایی در اپلیکیشن واقعی

مهارت ها

PyTorchNeural Networks and Deep LearningArtificial Intelligence (AI)Open SourceOne-Off

سرفصل ها

۰. مقدمه

  • 01 - دوره خوش آمدید
  • 02 - پیش نیازها

۱. مقدمه‌ای بر یادگیری عمیق

  • 03 - مروری بر یادگیری عمیق، بخش ۱
  • 04 - مروری بر یادگیری عمیق، بخش 2
  • 05 - درک شبکه‌های عصبی
  • 06 - راه‌اندازی فضاهای کد گیت هاب

۲. مقدمه‌ای بر مبانی PyTorch

  • 07 - شروع کار با PyTorch
  • 08 - PyTorch برای یادگیری عمیق، بخش 1
  • 09 - PyTorch برای یادگیری عمیق، بخش 2
  • 10 - استفاده از فضای کد گیت‌هاب برای توسعه PyTorch

۳. مقدمه‌ای بر بینایی کامپیوتر

  • 11 - بینایی کامپیوتر چیست؟
  • 12- مبانی پردازش تصویر
  • 13 - استفاده از فضای کد گیت‌هاب برای وظایف بینایی کامپیوتر

۴. مبانی تشخیص شیء

  • 14 - تشخیص شیء چیست؟
  • 15 - مدل‌های تشخیص شیء و انواع آنها

۵. پیاده‌سازی تشخیص شیء با PyTorch

  • 16 - آماده‌سازی محیط
  • 17 - کدنویسی YOLOv5 در PyTorch
  • 18 - چالش - پیاده‌سازی تشخیص شیء در فضای کد گیت‌هاب با استفاده از پای‌تورچ
  • 19 - راهکار - پیاده‌سازی تشخیص شیء در فضای کد گیت‌هاب با استفاده از پای‌تورچ

۶. ارزیابی و تنظیم دقیق مدل‌های تشخیص شیء

  • 20- ارزیابی مدل‌های تشخیص شیء
  • 21 - تنظیم دقیق مدل‌های تشخیص شیء

۷. تکنیک‌های پیشرفته تشخیص شیء

  • 22 - یادگیری انتقالی در تشخیص اشیا
  • 23 - تشخیص شیء در زمان واقعی

۸. ساخت یک سیستم تشخیص شیء

  • 24- چالش - اجرا
  • 25- راهکار - اجرا

نتیجه‌گیری

  • 26 - خلاصه
  • 27 - مراحل بعدی و یادگیری بیشتر

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal