اکسپرس 24
کتاب دیپ لرنینگ عملی برای بینایی ماشین

کتاب دیپ لرنینگ عملی برای بینایی ماشین

تگ‌ها: CNN deep learning GAN PyTorch segmentation TensorFlow بینایی ماشین تشخیص اشیا تشخیص تصویر دیپ لرنینگ شبکه‌های عصبی کامپیوتر ویژن هوش مصنوعی یادگیری انتقالی یادگیری عمیق

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دیپ لرنینگ عملی برای بینایی ماشین

موضوع کلی: هوش مصنوعی

موضوع میانی: بینایی ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر بینایی ماشین و دیپ لرنینگ
  • 2. مروری بر کاربردهای دیپ لرنینگ در بینایی ماشین
  • 3. آشنایی با فریم‌ورک‌های دیپ لرنینگ (TensorFlow, PyTorch)
  • 4. نصب و راه‌اندازی محیط توسعه دیپ لرنینگ
  • 5. مبانی یادگیری عمیق: نورون‌ها و شبکه‌های عصبی
  • 6. توابع فعال‌سازی (Activation Functions) و نقش آن‌ها
  • 7. روش‌های بهینه‌سازی (Optimization Algorithms)
  • 8. تنظیم‌کننده‌های (Regularizers) و جلوگیری از بیش‌برازش (Overfitting)
  • 9. مجموعه‌داده‌ها (Datasets) در بینایی ماشین: انواع و منابع
  • 10. آماده‌سازی داده‌ها: نرمال‌سازی، افزایش داده (Data Augmentation)
  • 11. شبکه‌های عصبی کانولوشنی (CNN): اصول و معماری
  • 12. لایه‌های کانولوشنی (Convolutional Layers) و فیلترها
  • 13. لایه Pooling و کاهش ابعاد
  • 14. معماری‌های معروف CNN: LeNet, AlexNet, VGGNet
  • 15. پیاده‌سازی CNN برای تشخیص تصویر
  • 16. انتقال یادگیری (Transfer Learning) و استفاده از مدل‌های از پیش آموزش‌دیده
  • 17. Fine-tuning مدل‌های از پیش آموزش‌دیده برای وظایف خاص
  • 18. تشخیص اشیاء (Object Detection) با استفاده از R-CNN
  • 19. Faster R-CNN و بهبود سرعت تشخیص اشیاء
  • 20. SSD (Single Shot MultiBox Detector) و تشخیص اشیاء Real-time
  • 21. YOLO (You Only Look Once) و تشخیص اشیاء سریع و دقیق
  • 22. Segmentation معنایی (Semantic Segmentation) و تفکیک پیکسل‌ها
  • 23. U-Net و کاربرد آن در Segmentation
  • 24. تشخیص چهره (Face Detection) و شناسایی چهره (Face Recognition)
  • 25. شبکه‌های GAN (Generative Adversarial Networks) و تولید تصاویر
  • 26. DCGAN (Deep Convolutional GAN) و تولید تصاویر با کیفیت
  • 27. CycleGAN و انتقال سبک تصویر (Image Style Transfer)
  • 28. Autoencoders و کاهش ابعاد داده‌ها
  • 29. Variational Autoencoders (VAE) و تولید داده‌های جدید
  • 30. شبکه‌های Recurrent برای پردازش دنباله‌های تصویری
  • 31. LSTM (Long Short-Term Memory) و کاربرد آن در ویدئو
  • 32. شبکه‌های 3D CNN برای پردازش ویدئو
  • 33. Object Tracking و دنبال کردن اشیاء در ویدئو
  • 34. Action Recognition و تشخیص فعالیت‌ها در ویدئو
  • 35. دیپ لرنینگ برای Image Captioning
  • 36. Visual Question Answering (VQA)
  • 37. تشخیص ناهنجاری (Anomaly Detection) در تصاویر
  • 38. کاربرد دیپ لرنینگ در تصاویر پزشکی
  • 39. دیپ لرنینگ برای Self-Driving Cars
  • 40. تفسیرپذیری (Interpretability) مدل‌های دیپ لرنینگ در بینایی ماشین
  • 41. روش‌های Visualizing Activation Maps
  • 42. Gradient-weighted Class Activation Mapping (Grad-CAM)
  • 43. استفاده از TensorBoard برای مانیتورینگ و تجسم آموزش
  • 44. بهینه‌سازی عملکرد مدل‌های دیپ لرنینگ
  • 45. انتخاب هایپرپارامترها (Hyperparameter Tuning)
  • 46. استفاده از تکنیک‌های Quantization و Pruning
  • 47. استقرار (Deployment) مدل‌های دیپ لرنینگ
  • 48. استفاده از TensorFlow Serving و TorchServe
  • 49. چالش‌ها و آینده دیپ لرنینگ در بینایی ماشین
  • 50. مباحث پیشرفته در دیپ لرنینگ برای بینایی ماشین

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.