00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

آموزش رایگان شبکه های عصبی کانولوشنالی

دوره‌های رایگان
44 جلسه

کاربرد دوره آموزش رایگان شبکه عصبی کانولوشن چیست؟

شبکه عصبی کانولوشنال یا پیچشی (CNN) نوعی شبکه عصبی مصنوعی است که برای شناسایی و پردازش تصویر استفاده می‌شود. این شبکه‌ها اختصاصاً برای پردازش داده‌های پیکسلی طراحی شده‌اند.

CNNها پردازش تصویر و هوش مصنوعی قدرتمندی هستند که با استفاده از یادگیری عمیق (Deep Learning) کارهای تولیدی و توصیفی را انجام می‌دهند. این شبکه‌ها اغلب از دید ماشینی که شامل تشخیص تصویر و ویدئو به همراه سیستم‌های توصیه‌گر و پردازش زبان طبیعی (NLP) می‌شود، استفاده می‌کنند.

یک شبکه عصبی سیستمی از سخت‌افزار و یا نرم‌افزار است که از عملکرد سلول‌های عصبی در مغز انسان الگو می‌گیرد. شبکه‌های عصبی سنتی برای پردازش تصویر ایده‌آل نیستند. اما در شبکه عصبی پیچشی لایه‌های نورون به شکلی تنظیم شده است که برای جلوگیری از مشکل در پردازش تصویر، کل میدان بینایی را پوشش می‌دهند.

لایه‌های شبکه عصبی کانولوشنال یا شبکه عصبی پیچشی، از یک لایه ورودی، یک لایه خروجی و یک لایه پنهان تشکیل شده است که شامل چندین لایه کانولوشن می‌شود. حذف محدودیت‌ها و افزایش کارایی منجر به تشکیل سیستمی می‌شود که بسیار از حالت عادی اثربخش‌تر است و همچنین برای پردازش تصویر و زبان طبیعی قدرت بیشتری خواهد داشت.

 

بعد از فراگیری دوره آموزش رایگان شبکه عصبی کانولوشنالی چه مهارت‌هایی کسب خواهید کرد؟

آموزش بهبود شبکه عصبی عمیق، چهارمین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در پایان دوره آموزش شبکه عصبی کانولوشنال شما قادر خواهید بود شبکه عصبی مخصوص خود را بسازید. در این دوره حتی ساخت مدرن‌ترین انواع شبکه عصبی پیچشی به شما آموزش داده می‌شود. در پایان این دوره همچنین می‌توانید از شبکه عصبی پیچشی موجود، برای پردازش تصویر و تشخیص افراد یا اشیا در آن، کار با عکس، فیلم و انیمیشن و ده‌ها کاربرد جذاب دیگر استفاده کنید. به طور کلی می‌توان گفت در پایان این دوره، مهارت‌های زیر در شما تقویت شده یا به مهارت‌های شما افزوده می‌شوند:

  • یادگیری عمیق
  • طراحی سیستم تشخیص چهره
  • کار با شبکه عصبی پیچشی
  • Tensorflow
  • کشف شیء و بخش‌بندی تصویر

 

سرفصل‌های دوره آموزش رایگان شبکه های عصبی کانولوشنالی

فصل اول: مبانی شبکه عصبی کانولوشنال(CNN)
02:21 ساعت
02:21
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

در این فصل نحوه پیاده‌سازی لایه‌های اساسی شبکه عصبی کانولوشن یا CNN و جمع کردن آن‌ها در یک شبکه عمیق برای حل مشکلات دسته‌بندی چند کلاسه‌ی تصاویر آموزش داده می‌شود. بینایی کامپیوتر، مثال‌هایی از تشخیص لبه، پدینگ (padding) و غیره از جمله مباحث مطرح شده در این فصل است.

بینایی کامپیوتر
"05:54
نمونه تشخیص لبه
"11:40
تشخیص لبه بیشتر
"08:07
لایه‌گذاری(Padding)
"09:59
Strided Convolutions
"09:11
Convolutions Over Volume
"10:54
یک لایه از شبکه عصبی کانولوشنال
"16:20
نمونه‌ ساده شبکه کانولوشنال
"08:42
Pooling Layers
"10:35
مثال شبکه عصبی کانولوشنال(CNN)
"12:47
چرا کاونولوشن‌ها
"09:50
Yann LeCun Interview
"27:58
فصل دوم: مدل‌های کانولوشن عمیق: مطالعات موردی
01:41 ساعت
01:41
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

مطالعه موردی یا Case study به مطالعه‌ای اشاره دارد که روی یک نمونه واقعی انجام شده و از این طریق نکته‌ای را به مخاطب آموزش می‌دهد. در فصل دوم، با مطالعه موردی روی محققان و فعالان شبکه عصبی کانولوشن، روش‌ها و ترفندهای کاربردی برای کار با شبکه عصبی پیچشی به شما معرفی خواهد شد. 

چرا مطالعات موردی؟
"03:18
شبکه‌های کلاسیک
"18:29
Residual Networks
"07:18
چرا Residual Networks؟
"09:22
Networks in Networks and 1x1 Convolutions
"06:50
انگیزه شبکه Inception
"10:24
Inception Network
"08:56
استفاده از پیاده‌سازی Open-Source
"05:06
Transfer Learning
"08:57
Data Augmentation
"09:41
وضعیت بینایی رایانه
"12:48
فصل سوم: تشخیص اشیاء
01:26 ساعت
01:26
Combined Shape Created with Sketch. 10 جلسه
نمایش جلسات فصل  

در این فصل یاد می‌گیرید که چگونه از دانش خود در زمینه شبکه عصبی کانولوشنال، برای یکی از سخت‌ترین زمینه‌های علوم کامپیوتر، یعنی کشف شیء در تصویر استفاده کنید. با کشف شیء در تصویر می‌توان نرم‌افزارهای متنوع، کاربردی و گران‌قیمت ساخت. محلی سازی شیء، تشخیص شیء، الگوریتم‌های YOLO و غیره از جمله مباحثی است که در این فصل مطرح می‌شود.

محلی سازی شئ
"12:04
تشخیص علامت (Landmark)
"06:06
تشخیص اشیاء
"05:59
Convolutional Implementation of Sliding Windows
"11:18
تخمین Bounding Box
"14:41
Intersection Over Union
"04:28
Non-max Suppression
"08:12
Anchor Boxes
"09:53
الگوریتم YOLO
"07:11
مناطق پیشنهادی (Region Proposals)
"06:37
فصل چهارم: برنامه های ویژه (تشخیص چهره و انتقال استایل عصبی)
01:17 ساعت
01:17
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

در آخرین فصل از این آموزش، کاربردهای مختلف شبکه عصبی پیچشی به شما آموزش داده می‌شود. چراکه دانش در زمینه شبکه عصبی کانولوشنال فقط برای ساخت سیستم احراز هویت یا پردازش تصویر کاربردی نیست. برای مثال از این زمینه می‌توان برای ساخت سیستم پیش‌بینی آب‌وهوا، طراحی هنری، تشخیص مناطق خاکستری در عکس و غیره استفاده کرد؛ بنابراین در این فصل با مفاهیم مهم در شبکه‌های عصبی مانند تشخیص چهره، شبکه سیامی (Siamese)، انتقال استایل عصبی(Neural style transfer)، توابع هزینه، هزینه محتوا و هزینه استایل آشنا می‌شوید.

تشخیص چهره چیست؟
"04:47
One Shot Learning
"04:54
Siamese Network
"05:01
Triplet Loss
"15:40
تأیید چهره و طبقه بندی باینری
"06:15
neural style transfer چیست؟
"02:12
یادگیری شبکه پیچشی(کانولوشنالی) عمیق
"08:07
تابع هزینه
"04:09
ارضای تابع هزینه
"03:47
Style Cost Function
"13:27
تعمیم تک بعدی و سه بعدی
"09:18
استاد دوره
Andrew Ng

اندرو ان جی استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیان‌گذار کورس ارا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا هست.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

اطلاعات بیشتر

پیش‌نیاز‌های دوره آموزش رایگان شبکه های عصبی کانولوشنالی

آموزش رایگان شبکه عصبی و یادگیری عمیق (Andrew Ng)
اطلاعات بیشتر
آموزش رایگان یادگیری ماشین (Andrew NG)
اطلاعات بیشتر

نظرات  (1 نظر)

محمدامین
20:29 - 1400/01/24
کاربر‌ سایت
نمیدونم که بقیه چقدر در مورد این مبحث اطلاع دارن ولی یادگیری این مبحث نیازمند زمان و هزینه است چون موضوع جالب و کاربردی و در عین حال پیچده است و میتونم بگم مکتبخونه کمک بزرگی میکنه به افراد علاقه مند تا بتونن رایگان به همچین اموزش هایی دسترسی داشته باشن ممنون

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

اطلاعات بیشتر

پیش‌نیازها و منابع مکمل برای فراگیری دوره آموزش رایگان شبکه عصبی کانولوشن

برای بهره‌بردن از آموزش‌های این دوره بهتر است یک پیش‌زمینه ریاضیات خوب داشته باشید. چراکه کار با شبکه‌های عصبی تا حدودی وارد حوزه مباحث ریاضیات خواهد شد. از طرف دیگر برای شروع آموزش یادگیری عمیق (Deep Learning) بهتر است ابتدا به مفاهیم یادگیری ماشین (Machine Learning) مسلط باشید. تسلط به زبان برنامه‌نویسی پایتون، جبر خطی و حسابان دیفرانسیل هم از مواردی هستند که به شما کمک خواهند کرد دوره آموزش شبکه عصبی پیچشی را با بهترین نتیجه و بیشترین اثربخشی به پایان برسانید. 

 

سرفصل‌های دوره آموزش شبکه عصبی کانولوشن چیست؟

این دوره آموزشی از ابتدا به تعریف و تدریس مبانی شبکه عصبی پیچشی می‌پردازد، سپس مدل‌های عمیق کانولوشنال را بررسی می‌کند. کشف اشیا در تصاویر و تشخیص چهره از کاربردهای شبکه عصبی کانولوشنال است که در این دوره به آن پرداخته می‌شود.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: مبانی شبکه عصبی کانولوشنال(CNN)
02:21 ساعت
02:21
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

در این فصل نحوه پیاده‌سازی لایه‌های اساسی شبکه عصبی کانولوشن یا CNN و جمع کردن آن‌ها در یک شبکه عمیق برای حل مشکلات دسته‌بندی چند کلاسه‌ی تصاویر آموزش داده می‌شود. بینایی کامپیوتر، مثال‌هایی از تشخیص لبه، پدینگ (padding) و غیره از جمله مباحث مطرح شده در این فصل است.

بینایی کامپیوتر
"05:54
نمونه تشخیص لبه
"11:40
تشخیص لبه بیشتر
"08:07
لایه‌گذاری(Padding)
"09:59
Strided Convolutions
"09:11
Convolutions Over Volume
"10:54
یک لایه از شبکه عصبی کانولوشنال
"16:20
نمونه‌ ساده شبکه کانولوشنال
"08:42
Pooling Layers
"10:35
مثال شبکه عصبی کانولوشنال(CNN)
"12:47
چرا کاونولوشن‌ها
"09:50
Yann LeCun Interview
"27:58
فصل دوم: مدل‌های کانولوشن عمیق: مطالعات موردی
01:41 ساعت
01:41
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

مطالعه موردی یا Case study به مطالعه‌ای اشاره دارد که روی یک نمونه واقعی انجام شده و از این طریق نکته‌ای را به مخاطب آموزش می‌دهد. در فصل دوم، با مطالعه موردی روی محققان و فعالان شبکه عصبی کانولوشن، روش‌ها و ترفندهای کاربردی برای کار با شبکه عصبی پیچشی به شما معرفی خواهد شد. 

چرا مطالعات موردی؟
"03:18
شبکه‌های کلاسیک
"18:29
Residual Networks
"07:18
چرا Residual Networks؟
"09:22
Networks in Networks and 1x1 Convolutions
"06:50
انگیزه شبکه Inception
"10:24
Inception Network
"08:56
استفاده از پیاده‌سازی Open-Source
"05:06
Transfer Learning
"08:57
Data Augmentation
"09:41
وضعیت بینایی رایانه
"12:48
فصل سوم: تشخیص اشیاء
01:26 ساعت
01:26
Combined Shape Created with Sketch. 10 جلسه
نمایش جلسات فصل  

در این فصل یاد می‌گیرید که چگونه از دانش خود در زمینه شبکه عصبی کانولوشنال، برای یکی از سخت‌ترین زمینه‌های علوم کامپیوتر، یعنی کشف شیء در تصویر استفاده کنید. با کشف شیء در تصویر می‌توان نرم‌افزارهای متنوع، کاربردی و گران‌قیمت ساخت. محلی سازی شیء، تشخیص شیء، الگوریتم‌های YOLO و غیره از جمله مباحثی است که در این فصل مطرح می‌شود.

محلی سازی شئ
"12:04
تشخیص علامت (Landmark)
"06:06
تشخیص اشیاء
"05:59
Convolutional Implementation of Sliding Windows
"11:18
تخمین Bounding Box
"14:41
Intersection Over Union
"04:28
Non-max Suppression
"08:12
Anchor Boxes
"09:53
الگوریتم YOLO
"07:11
مناطق پیشنهادی (Region Proposals)
"06:37
فصل چهارم: برنامه های ویژه (تشخیص چهره و انتقال استایل عصبی)
01:17 ساعت
01:17
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

در آخرین فصل از این آموزش، کاربردهای مختلف شبکه عصبی پیچشی به شما آموزش داده می‌شود. چراکه دانش در زمینه شبکه عصبی کانولوشنال فقط برای ساخت سیستم احراز هویت یا پردازش تصویر کاربردی نیست. برای مثال از این زمینه می‌توان برای ساخت سیستم پیش‌بینی آب‌وهوا، طراحی هنری، تشخیص مناطق خاکستری در عکس و غیره استفاده کرد؛ بنابراین در این فصل با مفاهیم مهم در شبکه‌های عصبی مانند تشخیص چهره، شبکه سیامی (Siamese)، انتقال استایل عصبی(Neural style transfer)، توابع هزینه، هزینه محتوا و هزینه استایل آشنا می‌شوید.

تشخیص چهره چیست؟
"04:47
One Shot Learning
"04:54
Siamese Network
"05:01
Triplet Loss
"15:40
تأیید چهره و طبقه بندی باینری
"06:15
neural style transfer چیست؟
"02:12
یادگیری شبکه پیچشی(کانولوشنالی) عمیق
"08:07
تابع هزینه
"04:09
ارضای تابع هزینه
"03:47
Style Cost Function
"13:27
تعمیم تک بعدی و سه بعدی
"09:18