قیمت 35,000 تومان 25,000 تومان

امتیاز 0 از 0 رأی
بدون امتیاز 0 رای
35,000 تومان 25,000 تومان
ویژگی های دوره
place
نوع دوره: غیر حضوری
local_library
سطح دوره: فوق حرفه ای
traffic
پیش نیاز: برنامه نویسی پایتون
language
زبان: فارسی
access_time
ویدئویی(کیفیت HD)
playlist_add_check
ناشر : بیگ لرن
storage
300 مگابایت
supervisor_account
روش پشتیبانی: ارسال تیکت

طبقه بندی تصاویر؟

با پیشرفتهای انجام شده در زمینه تصویربرداری و تولید تصاویر دیجیتال با رزولوشن بالا نیاز به دسته بندی دقیق تصاویر احساس می گردد به نحوی که یکی از اساسی ترین قسمتهای پردازش تصویر دسته بندی تصاویر می باشد نکته مهم در دسته بندی تصاویر ارائه روشی با دقت بالا برای این کار است. دسته بندی تصاویر به این دلیل اهمیت زیادی دارد که از آن می توان در مواردی مانند پزشکی، نظامی، سازمان های مختلف و غیره استفاده نمود. بنابراین، اطلاعات به دست آمده از تصاویر مختلف را می توان به روش های گوناگونی دسته بندی کرد که بستگی به روش پردازش به کار رفته در تصاویر دارد ولی آنچه به عنوان یک اصل واحد در موارد دسته بندی مورد توجه قرار گرفته است خصوصیاتی چون رنگ، اندازه و غیره در هر ناحیه است، که می توان آنها را خصوصیات ظاهری و بارز تصویر نامید. در سال های اخیر روش های زیادی برای دسته بندی تصاویر ارائه شده است تمامی روش های مطرح شده به نحوی بر محتوای تصاویر توجه دارند و تا حد امکان از وارد شدن به بحث زیباشناسی تصویر پرهیز کرده اند.

کاربرد طبقه بندی تصاویر؟

هوش مصنوعی فیسبوک به کمک یادگیری عمیق قادر به تشخیص تصاویر و اشیاء موجود در تصاویر خواهد شد. تاکنون عکس ها و تصاویر در فیسبوک و اینستاگرام به کمک هشتگ ها و برچسب گذاری ها دسته بندی می شدند و این برچسب گذاری ها در مواردی به درستی صورت نمی گرفت ضمن اینکه بسیاری از تصاویر فاقد برچسب بودند و در نتیجه در دسته بندی های مختلف قرار نمی گرفتند. از سوی دیگر برچسب گذاری تصاویر کار نسبتا دشواری برای میلیون ها عکس خواهد بود. به همین دلیل فیسبوک تصمیم گرفت تا به کمک یادگیری عمیق و با نظارت محدود انسانی این دسته بندی ها را اعمال کند. امروزه الگوريتم ها و مدل هاي مختلف پژوهش هاي مبتني بر شبکه عصبي، جاي خود را در ميان طبقه بندي تصاوير به خوبي باز کرده اند. هدف اصلي اين الگوريتم ها اين است که در شبکه هاي مصنوعي، ماشين به شکلي آموزش ببيند که در نهايت تشخيصي نزديک مغز انسان داشته باشد. از بين انواع شبکه هاي عصبي، شبکه هاي عصبي کانالوشن (CNN) معمولا دقت خوبي را در طبقه بندي تصاوير ارائه مي کنند.

طبقه بندی با یادگیری عمیق ؟

از فناوری‌های یادگیری عمیق، شبکه‌های عصبی کانولوشن (CNNs)در زمینه تصاویر پزشکی، از محبوبیت بالاتری برخوردار هستند. بیشتر تکنولوژی‌های یادگیری عمیق مربوط به غربالگری سرطان، بر اساس CNNها می‌باشند. به‌کارگیری شبکه‌های عصبی کانولوشن از اواخر دهه 1970 آغاز شده و از سال 1995 به تجزیه و تحلیل تصاویر پزشکی اعمال شده است. یادگیری عمیق، یک روش جدید برای اعمال یادگیری ماشین است؛ زیرا براساس یادگیری داده‌هاست. شبکه‌های عصبی کانولوشن عمیق، یک نوع روش یادگیری عمیق می‌باشند که در آن فیلترها قابل تعویض هستند و عملیات ادغام بر روی تصاویر ورودی اعمال می‌شود و مجموعه‌ای سطح بالا از ویژگی‌ها را به‌صورت خودکار استخراج می‌کند. استخراج سطح بالای این ویژگی‌ها باعث می‌شود تا مفاهیم گسترده و پیچیده به مفاهیم ساده‌تری تقسیم شود که این مفاهیم ساده، ماشین را قادر به تصمیم‌گیری برای آنها می‌سازد و بدین‌ترتیب نیازی به نظارت کامل انسان برای مشخص‌کردن اطلاعات لازم ماشین در هر لحظه نیست. در یادگیری عمیق، ویژگی‌های غیرخطی چندین لایه استخراج می‌شوند و به یک دسته‌بند اعمال شده و آن هم این ویژگی‌ها را با هم ترکیب می‌کند تا بتواند یک پیش‌بینی انجام دهد.

هدف از این پروژه عملی ؟

در این پروژه به صورت عملی طبقه بندی تصاویر حجیم با استفاده از الگوریتم یادگیری عمیق(Deep Learning) و زبان برنامه نویسی پایتون براساس کتابخانه keras پرداخته مشود. یکی از مهمترین الگوریتم های یادگیری عمیق، الگوریتم شبکه عصبی CNN نام دارد. در این پروژه با کمک الگوریتم CNN ابتدا فرآیند استخراج ویژگی ها از تصاویر صورت گرفته و سپس با کمک الگوریتم های یادگیری ماشین همچون شبکه عصبی اقدام به طبقه بندی تصاویر نموده ایم. در تصاویر علاوه بر وابستگی پیکسل ها بطور سطری آنها بطور ستونی هم به همدیگه وابسته اند پس اگر از مدلی استفاده کنیم که این دو وابستگی را بهتر یاد بگیره بهتر میشه ویژگی ها رو استخراج کرد. شبکه های convolutional از فیلتر هایی با ابعاد مثلا 3*3 یا n x n استفاده می کنند و این یعنی وابستگی سطری و ستونی پیکسل ها در لایه اول و همچنین وابستگی ویژگی های سطح بالاتر در لایه های بالاتر در نظر گرفته می شود. در این آموزش، اصول اولیه شبکه های عصبی Convolutional CNNs و نحوه استفاده از آنها برای یک کارکرد طبقه بندی تصویر را یاد خواهید گرفت. ما همچنین خواهیم دید که افزایش داده ها در بهبود عملکرد شبکه کمک می کند.  ما از مجموعه داده های MNIST و CIFAR10 برای توضیح مفاهیم مختلف و طبقه بندی تصاویر استفاده خواهیم کرد که می توانید هر دیتاستی را جایگزین کنید و عملیات مختلف طبقه بندی را روی دیتاست مورد نظر خودتان اعمال کنید. بدون شک یکی از بهترین پروژه های طبقه بندی تصاویر است که با زبانی ساده و روان آموزش داده شده است.

موارد موجود در این دوره آموزشی ؟

معرفی طبقه بندی تصاویر ویدئو

خصوصی

معرفی شبکه عمیق کانولوشنی ویدئو

خصوصی

معرفی مجموعه داده ای استفاده شده ویدئو

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

پیاده سازی شبکه عمیق با keras ویدئو

خصوصی

آموزش ایجاد لایه های عمیق ویدئو

خصوصی

آموزش ایجاد مدل باناظر عمیق ویدئو

خصوصی

تغییر ابعاد و نرمال سازی داده ها ویدئو

خصوصی

آموزش تنظیم پارامترهای مدل باناظر عمیق ویدئو

خصوصی

آموزش شبکه عمیق کانولوشنی ویدئو

خصوصی

تعیین داده های اموزشی و تست ویدئو

خصوصی

پیاده سازی شبکه عمیق برای طبقه بندی تصویر ویدئو

خصوصی

پیاده سازی شبکه عمیق کانولوشنی برای طبقه بندی یک تصویر دلخواه ویدئو

خصوصی

ایجاد داده های مصنوعی برای افزایش داده ها و بهبود مدل عمیق ویدئو

خصوصی

ارزیابی و اموزشی مدل روی داده های مصنوعی ویدئو

خصوصی

نمایش خروجی ها شبکه و ارزیابی کارایی روی داده های اموزشی و تست ویدئو

خصوصی

رسم نمودار برای ارزیابی خطا و دقت شبکه روی داده های موجود و مصنوعی ویدئو

خصوصی

معرفی Google Colab برای اجرای پروژه پایتون روی GPU گوگل ویدئو

خصوصی

درخواست مشاوره

برای کسب اطلاعات بیشتر درباره این دوره درخواست مشاوره خود را ارسال کنید و یا با ما در تماس باشید.

درخواست مشاوره

نیاز به مشاوره دارید؟

در صورتی که نیاز به مشاوره دارید می توانید فرم را تکمیل نمایید و یا با ما در تماس باشید

درخواست مشاوره رایگان

moreدوره های مرتبط

آموزش یادگیری ماشین پیشرفته

در این آموزش مباحث پیشرفته و کاربردی یادگیری ماشین براساس جدیترین مقالات در قالب فیلم اموزش کامل اماده شده است.…

رایگان!

انتخاب ویژگی با یادگیری عمیق

انتخاب ویژگی با یادگیری عمیق این دوره در حال اماده سازی در صورتی که تمایل به اگاهی از آن دارید،…

رایگان!

حاشیه نویسی تصاویر با یادگیری عمیق

حاشیه نویسی تصاویر ؟ در دنیای حاضر با گسترش سریع داده ها، اطلاعات زیادی در بستر وب در حال جریان…
40,000 تومان 25,000 تومان

توصیف تصاویر با یادگیری عمیق

توصیف تصاویر ؟ تصاویر همواره بخش مهمی از اخبار و مطالب در دنیای مجازی به شمار می آیند. استخراج اطلاعات…
40,000 تومان 30,000 تومان

chat_bubble_outlineنظرات

قوانین ثبت دیدگاه

  • دیدگاه های فینگلیش تایید نخواهند شد.
  • دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *