آموزش شبکه‌های عصبی کانولوشنالی

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 ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
 95% (495 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  52 ساعت
مجموع محتوای آموزشی:  8 ساعت ویدئو - 45 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  8 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   زیرنویس فارسی course-feature   تسهیل استخدام

پیش‌نیاز‌ها

این آموزش چهارمین دوره از مجموعه تخصص یادگیری عمیق اندرو بوده و 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 شبکه‌های عصبی کانولوشنالی

فصل اول: مبانی شبکه عصبی کانولوشنال(CNN)

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  
  آزمون فصل اول
 20%    
"10:00  
  پروژه اول – شبکه عصبی کانولوشنی گام به گام (الزامی)
 40%    
"240:00  
  پروژه دوم – کاربرد شبکه عصبی کانولوشنی (الزامی)
 40%    
"240:00  
فصل دوم: مدل‌های کانولوشن عمیق: مطالعات موردی

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  
  شبکه تلفن همراه
"16:28  
  ساختار شبکه تلفن همراه
"08:42  
  شبکه بهینه
"03:49  
  استفاده از پیاده‌سازی Open-Source
"05:06  
  Transfer Learning
"08:57  
  Data Augmentation
"09:41  
  وضعیت بینایی رایانه
"12:48  
  آزمون فصل دوم
 20%    
"10:00  
  پروژه سوم – شبکه Residual Network (الزامی)
 40%    
"360:00  
  پروژه چهارم – شبکه عصبی کانولوشنی و یادگیری انتقالی (الزامی)
 40%    
"360:00  
فصل سوم: تشخیص اشیاء

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  
  قطعه‌بندی (Semantic Segmentation) با U - Net
"07:31  
  Transpose Convolutions
"07:49  
  مقدمه‌ای بر ساختار U-Net
"03:31  
  ساختار U-Net
"07:51  
  آزمون فصل سوم
 20%    
"10:00  
  پروژه پنجم – تشخیص اتومبیل با YOLO (الزامی)
 40%    
"360:00  
  پروژه ششم – بخش بندی تصویر (Image Segmentation) با Unet (الزامی)
 40%    
"360:00  
فصل چهارم: تشخیص چهره و انتقال استایل عصبی

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  
  آزمون فصل چهارم
 20%    
"09:00  
  پروژه هفتم – تشخیص و تایید چهره (الزامی)
 40%    
"360:00  
  پروژه هشتم – هنر و یادگیری عمیق (الزامی)
 40%    
"360:00  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه
گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

مشاهده نمونه گواهینامه

ویژگی‌های دوره

خدمات منتورینگ
خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

ویژگی‌های دوره

پروژه محور
پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

ویژگی‌های دوره

تمرین و آزمون
تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

ویژگی‌های دوره

تالار گفتگو
تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

ویژگی‌های دوره

تسهیل استخدام
تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد.

بررسی فرصت‌های شغلی

درباره دوره

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 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

 

درباره استاد

maktabkhooneh-teacher Andrew Ng

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

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران  ( نظر)

صفحه 1 از
هادی مرادی 1402-08-29
دانشجوی دوره
سلام این دوره نیازمند دانش قبلی درباره تنسور فلو و کراس است که متاسفانه در بخش پیش‌نیازها به آن اشاره‌ای نشده است! در فصل اول دوره هیچ آموزشی درباره تنسورفلو یا کراس داده نمیشود، درحالی که شما باید با استفاده از این دو کتابخانه یک مدل Sequential برای آزمون دوم فصل طراحی کنید!
ساسان بهجو 1402-05-23
دانشجوی دوره
دوره کامل نیست و حتما نیاز به دوره های دیگه هست. این دوره از نظر تئوری تا حدی میتونه افراد رو راهنمایی کند
احسان شاهرخی مینا 1401-07-04
دانشجوی دوره
دوره کاملا تئوری هست و عملا نمونه کدی توش دیده نمیشه و صرفا مباحث ریاضیاتی شبکه های CNN رو میگن
مکتب‌خونه
همراه عزیز؛ با سپاس از نظر شما، موارد مطرح شده جهت بررسی به بخش مربوطه ارسال شد. در صورت نیاز به پیگیری بیشتر با شما در ارتباط خواهیم بود.
احمد موری زاده خاکی 1401-01-02
دانشجوی دوره
به عنوان فارغ التحصیل دوره باید بگم این دوره هرچیز از شبکه های عصبی کانولوشنی با پایتون می خواید به شما یاد میده. فقط برای انجام پروژه ها باید آشنایی اولیه با پایتون و البته روحیه پژوهشگری داشته باشید.
محمدامین سلطانیان 1400-01-24
دانشجوی دوره
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

دوره‌های پیشنهادی

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.

سوالات پرتکرار

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.

سوالات پرتکرار

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.

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.

poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  52 ساعت
مجموع محتوای آموزشی:  8 ساعت ویدئو - 45 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  8 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   زیرنویس فارسی course-feature   تسهیل استخدام