deep-learning

یادگیری عمیق با رویکرد بینایی ماشین

درباره رویداد

درباره دوره :

پایه و اساس بینایی ماشین، پردازش تصویر و یادگیری عمیق است. یعنی سعی می‌شود با الگوریتم‌ها و روش‌های پردازش تصویر و الگوریتم‌های یادگیری عمیق (شبکه های عصبی عمیق) به رایانه‌ها قدرت درک محیط، تشخیص اشیا و تصمیم در مورد هدف‌هایی که باید دنبال کنند، داده شود.

مزیت یادگیری عمیق با رویکرد بینایی ماشین چیست؟

یادگیری عمیق تا جایی پیشرفت داشته که چندین دانشگاه معتبر آمریکایی و کانادایی، به ایجاد رشته‌ی تحصیلی یادگیری ماشین و یادیگری عمیق در کنار رشته‌ی کامپیوتر اقدام کردند و شرکت‌های مختلف دنیا با پی بردن به این مسئله که هوش مصنوعی، یک ابزار برای ارتقا و باقی ماندن شرکت‌ها در عرصه رقابت است، به دنبال جذب متخصصین این حوزه هستند. طبق اعلام وب سایت indeed که یکی از معتبرترین وب‌سایت‌های کاریابی است، شرکت‌هایی مانند Apple, Amazon, Microsoft, Dell Technology, Facebook, Capital One US, Splunk, Cisco Systems, Goldman Sachs, Oracle, VMware, IBM, Google و …  در حال جذب مهندس یادگیری ماشین هستند!

اگر به بخش مهارت‌های مورد نیاز شرکت‌ها در این وب‌سایت برای جذب مهندس یادگیری ماشین مراجعه کنید، با تعداد افسانه‌ای ۱۳۴۱۹
شرکت برای افرادی که دارای مهارت برنامه‌ریزی به زبان پایتون هستند! یعنی برنامه‌نویسی که مهندس یادگیری ماشین است و همزمان مهارت استفاده از پایتون را دارد!

این در حالی است که در سایر زبان‌های برنامه‌نویسی در این حوزه، کمتر از ۵۰۰۰ شرکت اعلام نیاز داشتند. یعنی قدرت توسعه پایتون و نیاز صنعت به افراد دارای توانایی پیاده‌سازی الگوریتم‌های هوش مصنوعی با پایتون، کم‌نظیر است!

مخاطبین این دوره چه کسانی هستند؟

  • افرادی که علاقمند به شغل برنامه‌نویسی و زبان‌ها و تکنولوژی‌های مدرن هستند و قصد فعالیت به عنوان مهندس پایتون را دارند.
  • افرادی که وقت و انگیزه زیادی برای یادگیری حرفه‌ای در قالب کار تیمی و حل تمرین و انجام دادن پروژه، داخل یا خارج از محیط بوت کمپ دارند!
  • افرادی که قصد دارند وارد حوزه‌ی «هوش مصنوعی» شوند و به دنبال یادگیری صحیح و اصولی مباحث هستند.

سرفصل های دوره

  • معرفی کلی دوره
  • معرفی هوش مصنوعی، حوزه های موجود در آن
  • معرفی بینایی کامپیوتر
  • برخی مفاهیم در پردازش تصویر
  • معرفی و آشنایی با کتابخانه پرکاربرد OpenCV با پایتون
  • یادگیری ماشین
    • معرفی و آموزش مفاهیم پایه در یادگیری ماشین
    • یادگیری ماشین و شبکه عصبی پرسپترون و نحوه عملکرد آن ها
    • حل یک مثال کاملا پایه ای آموزش یک نرون عصبی
    • پیاده سازی کامل طبقه بندی خطی برای تصاویر
  • یادگیری عمیق
    • مفاهیم پایه در یادگیری عمیق
    • معرفی شبکه های عصبی عمیق
    • یادگیری عمیق برای بینایی کامپیوتر
    • معرفی پایه ای شبکه عصبی CNN
    • ساختار شبکه عصبی CNN
    • طبقه بندی تصاویر با استفاده از شبکه عصبی عمیق CNN
    • معماری های پیشرفته در CNN
      • AlexNet
      • VGGNet
      • ResNet
    • یادگیری انتقال
      • معرفی
      • نحوه کارکرد
      • نحوه استفاده از یادگیری انتقال در بهبود و بالابردن کارایی شبکه عصبی(مثال عملی از پروژه مربوط به فاصله اجتماعی)
    • تشخیص صورت به کمک MTCNN
    • تشخیص صورت با ماسک و بدون ماسک با استفاده از CNN
    • مقایسه دقت تشخیص شبکه عصبی عمیق CNN و شبکه عصبی چند لایه
  • تشخیص و شناسایی اشیا
    • معرفی روش های R-CNN, SSD, YOLO
    • مقدمه و معرفی YOLO
      • بررسی ساختار کلی YOLO
      • نحوه استفاده از YOLO در شناسایی اشیا با استفاده از مدل از پیش آموزش دیده
      • پیاده سازی پروژه تشخیص فاصله اجتماعی با استفاده از YOLO
  • معرفی یادگیری عمیق چندکاره
    • مفاهیم و کاربردها
    • مزایا و مقایسه با شبکه های عصبی عمیق
    • ..

      سرفصل های دوره

    • معرفی کلی دوره
    • معرفی هوش مصنوعی، حوزه های موجود در آن
    • معرفی بینایی کامپیوتر
    • برخی مفاهیم در پردازش تصویر
    • معرفی و آشنایی با کتابخانه پرکاربرد OpenCV با پایتون
    • یادگیری ماشین
      • معرفی و آموزش مفاهیم پایه در یادگیری ماشین
      • یادگیری ماشین و شبکه عصبی پرسپترون و نحوه عملکرد آن ها
      • حل یک مثال کاملا پایه ای آموزش یک نرون عصبی
      • پیاده سازی کامل طبقه بندی خطی برای تصاویر
    • یادگیری عمیق
      • مفاهیم پایه در یادگیری عمیق
      • معرفی شبکه های عصبی عمیق
      • یادگیری عمیق برای بینایی کامپیوتر
      • معرفی پایه ای شبکه عصبی CNN
      • ساختار شبکه عصبی CNN
      • طبقه بندی تصاویر با استفاده از شبکه عصبی عمیق CNN
      • معماری های پیشرفته در CNN
        • AlexNet
        • VGGNet
        • ResNet
      • یادگیری انتقال
        • معرفی
        • نحوه کارکرد
        • نحوه استفاده از یادگیری انتقال در بهبود و بالابردن کارایی شبکه عصبی(مثال عملی از پروژه مربوط به فاصله اجتماعی)
      • تشخیص صورت به کمک MTCNN
      • تشخیص صورت با ماسک و بدون ماسک با استفاده از CNN
      • مقایسه دقت تشخیص شبکه عصبی عمیق CNN و شبکه عصبی چند لایه
    • تشخیص و شناسایی اشیا
      • معرفی روش های R-CNN, SSD, YOLO
      • مقدمه و معرفی YOLO
        • بررسی ساختار کلی YOLO
        • نحوه استفاده از YOLO در شناسایی اشیا با استفاده از مدل از پیش آموزش دیده
        • پیاده سازی پروژه تشخیص فاصله اجتماعی با استفاده از YOLO
    • معرفی یادگیری عمیق چندکاره
      • مفاهیم و کاربردها
      • مزایا و مقایسه با شبکه های عصبی عمیق
a776801dc308265ec8c0d440701e211b

میر محمد احمدپور حسین زاده (مربی و رهبر تیم های برنامه نویسی)

مربی و رهبر تیم‌های برنامه‌نویسی متخصص در حوزه یادگیری عمیق و بینایی ماشین سابقه‌ ۴ سال برنامه‌نویسی پایتون و ۱۸ سال تدریس و مربی‌گری
  • هزینه: 3/900/000 تومان
  • تعداد جایگاه : 70
  • جایگاه های رزرو شده: 0

این رویداد منقضی شده است

مکان

Academy Irancell
وب سایت #