دوره آموزشی هوش مصنوعی بصری مبتنی بر داده
2 ساعت 4 دقیقهمتوسط2024-12-09
مدرسین

Daniel Gural
جزئیات دوره
در دنیای پرشتاب هوش مصنوعی، کیفیت دادهها بهعنوان یکی از مهمترین عوامل موفقیت در ایجاد سیستمهای بینایی کامپیوتری شناخته میشود. این دوره به شما نشان میدهد چرا تمرکز بر دادهها به جای مدلها، آینده بینایی کامپیوتری را شکل میدهد. با یادگیری روشهای مدیریت داده، شما قادر خواهید بود مجموعههای داده با کیفیت بالا ایجاد کنید و نقاط ضعف و اشتباهات موجود را شناسایی کنید. این فرآیند باعث میشود تا مدلهای هوش مصنوعی شما کارآمدتر و بدون تعصب باشند. علاوه بر این، آموزش مهارتهای ارزیابی و تضمین کیفیت به شما کمک میکند تا مدلهای خود را با دقت بیشتری آزمایش کنید و دادهها را برای دستیابی به نتایج دقیقتر و قابل اعتمادتر اصلاح کنید.
اهداف آموزشی
درک مفهوم بینایی کامپیوتری دادهمحور و دلایل حرکت به سمت این رویکرد بهجای مدلمحور.
یادگیری معیارهای یک مجموعه داده باکیفیت برای بینایی کامپیوتری و روشهای یافتن آن.
آشنایی با نحوه مدیریت و اصلاح مجموعه دادهها برای شناسایی اشتباهات و بهبود کیفیت کلی.
توسعه مهارتهای آزمایش و تضمین کیفیت برای حذف تعصبات و ارزیابی عملکرد مدلها.
اهداف آموزشی
درک مفهوم بینایی کامپیوتری دادهمحور و دلایل حرکت به سمت این رویکرد بهجای مدلمحور.
یادگیری معیارهای یک مجموعه داده باکیفیت برای بینایی کامپیوتری و روشهای یافتن آن.
آشنایی با نحوه مدیریت و اصلاح مجموعه دادهها برای شناسایی اشتباهات و بهبود کیفیت کلی.
توسعه مهارتهای آزمایش و تضمین کیفیت برای حذف تعصبات و ارزیابی عملکرد مدلها.
مهارت ها
Neural Networks and Deep LearningArtificial Intelligence FoundationsArtificial Intelligence (AI)One-Off
سرفصل ها
0. مقدمه
- 01 - پروژههای خود را با هوش مصنوعی بصری داده محور ارتقا دهید
- 02 - هوش مصنوعی بصری چیست
- 03 - آنچه باید بدانید
1. مقدمه ای بر Data Curation برای Computer Vision
- 04 - پارادایم هوش مصنوعی داده محور
- 05 - حلقه بازخورد
2. مجموعه دادهها و تجسم
- 06 - منابع داده
- 07 - خطرات GenAI برای دادهها و معرفی FiftyOne
- 08 - درک حاشیه نویسی
3. اصلاح و بهبود داده ها
- 09 - FiftyOne برای تجزیهوتحلیل داده ها
- 10 - مشکلات کیفیت تصویر را پیدا کنید
- 11 - تشخیص و توزیع داده ها
- 12 - افزایش داده ها
4. ارزیابی مدل
- 13 - تشخیص و کاهش تعصب
- 14 - حلقه بازخورد ارزیابی مدل
- 15 - ارزیابی مدل پیشرفته
5. بهبود مجموعه دادههای تکراری و اصلاح مدل
- 16 - بهبود مجموعه دادههای تکراری
- 17 - توسعه مدلهای رقیب
نتیجه گیری
- 18 - متصل شوید و ادامهدهید - سفر شما در هوش مصنوعی بصری
دوره های مرتبط
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی کارگاه هوش مصنوعی: ساخت شبکه عصبی با PyTorch Lightning
- دوره آموزشی کارگاه هوش مصنوعی: تمرین عملی با GANها با استفاده از شبکههای کانولوشنال عمیق
- دوره آموزشی معرفی عملی مدلهای ترنسفورمر برای بینایی کامپیوتری
- دوره آموزشی اصول هوش مصنوعی چندرسانهای: ترکیب متن، تصویر و صدا برای برنامههای نسل بعدی هوش مصنوعی
- دوره آموزشی یادگیری عمیق با پایتون: شبکههای عصبی کانولوشنی
- دوره آموزشی هوش مصنوعی عملی: پردازش تصویر با پایتون
- دوره آموزشی یادگیری عمیق و بینایی ماشین: شناسایی اشیاء با استفاده از PyTorch