مهلت باقی مانده تا پایان تخفیف
عملی و کاربردی
همین الان وازه Deep Learning و Computer Vision را در گوگل جست و جو کنید. بیش از 1000 منبع وجود دارد. انواع دوره های آموزشی از انواع دانشگاه ها و شرکت ها و …
ولی شاید برای شما هم پیش آماده باشد که در نهایت نمی توانید کاری انجام دهید و پروژه خود را نمی توانید انجام دهید !
یا آنکه اصلا آنقدر مطلب سطح بالاست و ریاضیات زیادی دارد که برای شما قابل فهم نیست !
حتی اگر آن مطلب را بفهمید وقتی می روید و کدها را بررسی میکنید و با یک کد 1000 خطی مواجه می شوید کلا همه چیز را میبوسید و میگذراید کنار !
آنقدر آن کد مطالب عجیب و غریب دارد که آدم را به کل ناامید میکند !
شاید هم هیچکدام از ایرادات بالا را نداشته باشد اما انتهای دوره ما نتوانیم پروژه های خودمان را انجام دهیم. ما باید بتوانیم به صورت ساختاری به مساله خوب فکر کنیم و برای آن راه حل پیدا کنیم.
پس اید چکار کنیم ؟ چیکار کنیم که خیلی مشخص و تمیز یادگیری عکیق را یاد بگیریم و بتوانیم از آن استفاده کنیم.
ویژگی های دوره
درباره دوره
دوره یادگیری عمیق ویژه بینایی ماشین یک دوره عملی و کاربردی است که در آن سعی شده است از برخی از با رویکرد یادگیری عمیق به بررسی و حل مسایل مربوط به دنیای بینایی ماشین بپردازد و برخی از جدیدترین روش های یادگیری عمیق معرفی می شوند و به کمک دانشجویان در کلاس پیاده سازی می شوند.
در این دوره از فریمورک Tensorflow (در کنار Keras) استفاده خواهد شد و تمامی موارد کد نویسی به کمک این فریمورک انجام خواهد گرفت.علاوه بر آن در هفته ابتدایی کتابخانه OpenCV و برخی از دستورات مهم این کتابخانه که در طول دوره به آن نیاز است، معرفی می‌گردد.
سعی شده است در کنار پرداختن به Theory ها کلاس تا حد ممکن کاربردی باشد و تمامی کد نویسی ها همراه با دانشجویان در کلاس انجام خواهد شد. (البته به دلیل طولانی بودن فرایند Train برخی مثال‌ها فایل از پیش Train شده قبل از جلسه مربوطه به دانشجویان ارائه خواهد شد، ولی کد نویسی آن در کلاس انجام خواهد گرفت.)
دوره آفلاین
این دوره آفلاین می باشد و فایل ها از قبل ضبط شده است. شما به محض ثبت نام به فایل های دوره دسترسی خواهید داشت. توجه داشته باشید که یک گروه تلگرامی جهت پشتیانی دوره با حضور استاد دوره و شرکت کنندگان وجود دارد و در صورت هر گونه سوال و مشکل میتوانید سوالات خود را بپرسید.
نظرات شرکت کنندگان
در زیر برخی از نظرات شرکت کنندگان دوره های آنلاین قرار داده شده است. البته این دوره که قابلیت ثبت نام است نسخه غیرحضوری آن می باشد و پس از ثبت نام به فایل ها دسترسی خواهید داشت. (این نظرات مربوط به دوره های یادگیری عمیق و یادگیری ماشین و … می باشد.)
نقشه راه آکادمی ربوتک برای یادگیری ماشین
همانطور که می دانید ما در آکادمی ربوتک یک نقشه راه بلند مدت برای حرفه ای شدن در زمینه ای یادگیری ماشین و یادگیری عمیق وجود دارد. در شکل زیر این نقشه راه آورده شده است :
شاید این نقشه راه برای دوره یادگیری عمیق ویژه بینایی ماشین کمی ترسناک به نظر برسد ! قبل از رسیدن به این دوره باید از دو مرحله گذشته باشید ! اما خبر خوب اینجاست که تنها عبور از یک مرحله کافی است. به عبارتی تنها کافی است که با زبان برنامه نویسی پایتون آشنا باشید. البته به شدت توصیه میکنیم که هر دو مرحله را ابتدا عبور کنید. یعنی مفاهیم یادگیری ماشین را کار کرده باشید و بعد وارد این دوره شوید. اگر کار نکرده باشید ممکن است این دوره کمی برای شما سنگین باشد. هر چند که ما تلاش کرده ایم تا مفاهیم را دقیق توضیح دهیم اما درک یادگیری ماشین به شدت مهم است و بسیار به فهم شما کمک می کند. از اینجا می توانید در دوره یادگیری ماشین کاربردی شرکت کنید.
اما سوالی که اغلب شرکت کنندگان از ما می پرسند این است که ما تا چه اندازه باید پایتون کار کرده باشیم ؟ در زیر به این ویدیو پاسخ داده شده است.
پروژه های میانی دوره
ما اینجا نیستیم که صرفا یک سری مطالب مرتبط با دیپ لرنینگ بخوانیم ! ما می خواهیم در پایان این دوره بتوانیم کاری انجام دهیم و یاد بگیریم چگونه می توانیم پروژه ها را انجام دهیم.
به همین خاطر دو پروژه میانی در طول دوره تعریف شده است که به آن می پردازیم :
پروژه میانی شماره 1 : شکستن کد کپچا
پروژه میانی شماره 2 : تشخیص خنده
پروژه پایانی دوره : ماشین خودران با شبیه ساز Nvidia
پروژه پایانی دوره که باید دانشجویان انجام دهند و این کار را به کمک استاد دوره و حل تمرین دوره انجام خواهند داد، پروژه ماشین خودران می باشد که باید در محیط شبیه سازی شرکت Nvidia دانشجویان بتوانند یک ماشین خودران را با دقت مناسبی در جاده به صورت اتوماتیک به حرکت در آورند. در زیر دمویی از این کار آورده شده است :
پشتیبانی ؟
پس از ثبت نام به لینک گروه دسترسی خواهید داشت.
لینک گروه تلگرامی
سرفصل ها و دانلود :
مفاهیم پایه در دنیای تصویر و کار با OpenCV
بخش سوم : قسمت دوم از مفاهیم یادگیری ماشین ویدئو
مفاهیم یادگیری ماشین (قسمت دوم)
بخش چهارم : بررسی یک مثال در یادگیری ماشین ویدئو
یک مثال ساده از یادگیری ماشین
بخش پنجم: معرفی و آشنایی با کتابخانه opencv ویدئو
آشنایی با کتابخانه OpenCV (بخش اول)
بخش ششم: معرفی و آشنایی با کتابخانه opencv (قسمت دوم) ویدئو
ادامه کار با کتابخانه OpenCV
محتوای جایزه ویدئو
Copilot و نحوه استفاده از آن
اسلایدها
دریافت اسلایدهای جلسه اول
تمرین تمرین
تمرین سری اول
یادگیری ماشین و شبکه های عصبی پرسپترون
مثال یادگیری ماشین ویدئو
تشخیص آتش سوزی با یادگیری ماشین - بخش اول
مثال یادگیری ماشین ویدئو
تشخیص آتش سوزی با یادگیری ماشین - بخش دوم
شبکه های عصبی ویدئو
نرون چیست و شبکه عصبی چگونه تشکیل می شود ؟
آپدیت وزن ها ویدئو
نحوه یادگیری در شبکه های عصبی به چه شکل است ؟
تابع زیان و الگوریتم Gradient Descent ویدئو
معرفی تابع Loss Function و الگوریتم آپدیت وزن ها
مشتق تابع Loss ویدئو
مثال عددی از نحوه آپدیت وزن ها
جمع بندی مباحث ویدئو
جمع بندی هر آنچه که تاکنون گفته ایم
طبقه بندی با شبکه عصبی ویدئو
مساله طبقه بندی چگونه با شبکه عصبی قابل حل است ؟ بخش اول
طبقه بندی با شبکه عصبی ویدئو
مساله طبقه بندی چگونه با شبکه عصبی قابل حل است ؟ بخش دوم
کدنویسی مساله classification با Tensorflow ویدئو
تشخیص آتش سوزی در جنگل با تنسورفلو
اسلاید
اسلایدهای جلسه دوم
تمرین تمرین
تمرینات جلسه دوم
شبکه های MLP و شروع شبکه های CNN
ذخیره و استفاده از مدل ویدئو
نحوه ذخیره و استفاده از یک مدل در یک MLP
مثالی دیگر از MLP ویدئو
نحوه حل cifar 10 به کمک MLP
مفهوم کانولوشن ویدئو
کانولوشن چیست و حل یک مثال از مفهوم آن با OpenCV
شبکه CNN - بخش اول ویدئو
آموزش لایه های مهم و کلیدی در شبکه های CNN - بخش اول
شبکه CNN - بخش دوم ویدئو
آموزش لایه های مهم و کلیدی در شبکه های CNN - بخش دوم
پیاده سازی CNN در تنسورفلو ویدئو
حل مثال آتش سوزی در جنگل به کمک CNN
اسلایدها
دانلود اسلایدها
تمرینات تمرین
تمرین های هفته سوم
ادامه شبکه های CNN و معرفی Overfitting
نکاتی کلی در زمینه ساخت شبکه های CNN ویدئو
برخی نکات کاربردی که هنگام ساخت یک شبکه CNN بهتر است آن را رعایت کنید.
لایه BatchNormalization ویدئو
معرفی لایه BatchNormalization و بررسی اثر آن
آشنایی با Overfitting ویدئو
بیش برازش یا Overfitting چیست و چه راه هایی برای حل آن وجود دارد؟
ImageDataGenerator ویدئو
معرفی ImageDataGenerator در Keras و نحوه استفاده از آن برای حل مشکل Overfitting
پروژه ۱ : شکستن کد کپچا - بخش اول (آموزش شبکه عصبی CNN ) ویدئو
یک شبکه عصبی را از صفر تا صد بر روی اعداد آموزش می دهیم.
پروژه ۱ : شکستن کد کپچا - بخش دوم (دستورات OpenCV مورد نیاز ) ویدئو
با دستورات مثل آستانه گذاری تصویر که برای استخراج عکس ها نیاز داریم آشنا می شویم.
پروژه ۱ : شکستن کد کپچا - بخش سوم ( گرفتن خروجی با دقت بالا ) ویدئو
اعداد را استخراج می کنیم و میبینیم که شبکه با دقت بالایی قادر به تشخیص اعداد است.
اسلاید
اسلایدهای هفته چهارم
تمرین تمرین
تمرین هفته چهارم
شبکه های CNN و مباحث پیشرفته در آن
تنظیم نرخ یادگیری ویدئو
نحوه تنظیم LearningRate و پیاده سازی آن در Keras
شبکه AlexNet ویدئو
معرفی چالش ILSVRC و شبکه AlexNet
شبکه VGGNet ویدئو
معرفی شبکه های معروف CNN با معرفی ZFNet و VGGNet
یادگیری انتقالی ویدئو
یادگیری انتقالی (Transfer Learning) و نحوه استفاده از آن برای حل مثال Coivd19
پروژه تشخیص خنده - بخش اول ویدئو
نحوه FaceDetection به کمک MTCNN
پروژه تشخیص خنده - بخش دوم ویدئو
آموزش شبکه عصبی CNN بر روی دیتاست smile
پروژه تشخیص خنده - بخش سوم ویدئو
پیاده سازی نهایی پروژه و خروجی با دقت بالا در تشخیص خنده
اسلاید
اسلایدهای فصل پنجم
تشخیص اشیا - بخش اول
مفاهیم پایه شناسایی اشیا ویدئو
بررسی دقیق مساله شناسایی اشیا و معیارهای ارزیابی در آن
معماری R-CNN ویدئو
معرفی کامل معماری R-CNN و نحوه عملکرد آن
معماری Fast R-CNN ویدئو
چگونه Fast RCNN مشکلات RCNN را حل کرد ؟
تابع Loss در Fast RCNN ویدئو
معرفی Multi Task Loss و درک دقیق از نحوه عملکرد آن
ابزار شناسایی اشیا Tensorflow ویدئو
معرفی و نحوه نصب Tensorflow Object Detection API
نحوه استفاده از TFOB ویدئو
یک مثال صفر تا صد از نحوه شناسایی اشیا با Tensorflow
اسلاید
اسلایدهای هفته ششم
تمرین تمرین
تمرین فصل ششم
فایل ضمیمه مقاله
فایل word بررسی شده در کلاس برای نصب TFOB
تشخیص اشیا - بخش دوم
مقدمه و معرفی yolo ویدئو
مقدمه و معرفی کلی yolo و بررسی ساختار کلی آن
شبکه CNN یولو ویدئو
بررسی شبکه CNN پیشنهاد شده در yolo
loss function شبکه yolo ویدئو
بررسی دقیق و بخش به بخش Loss Function شبکه yolo
فرایند test ویدئو
بررسی فرآیند test در الگوریتم yolo
کدنویسی یولو - بخش اول ویدئو
در این بخش از مدل pretrain برای شناسایی اشیا استفاده میکنیم.
کدنویسی یولو بخش دوم ویدئو
در این بخش از مدل pretrain برای شناسایی اشیا استفاده میکنیم.
اسلاید
اسلایدهای جلسه هفتم
فایل ضمیمه
دانلود فایل های ضمیمه مربوط به yolo
جهت یابی ماشین خودران
دانلود فایل مقاله
فایل توضیحات و نحوه حل جهت یابی ماشین خودران
سوالات متداول
حامد قاسمی
- دانشجوی دکترای هوش مصنوعی دانشگاه تهران
- مدرس دوره مقاله کاوی و بینایی ماشین و دیپ لرنینگ در آکادمی ربوتک
- فعالیت در زمینه شبکه های کانولوشنی و یادگیری تقویتی
سوالات متداول
برای هر کلاس یک گروه تلگرامی ویژه ساخته می شود که در آن استاد دوره به همراه حل تمرین و سایر شرکت کنندگان در آن گروه هستند و شما می توانید سوالات خود را بپرسید و مدرس دوره و یا شرکت کنندگان به سوالات شما پاسخ دهند.
بله – اگر به صورت گروهی ثبت نام کنید، آکادمی ربوتک برای شما تخفیف ویژه ثبت نام گروهی را در نظر می گیرد. برای دریافت تخفیف گروهی خود میتوانید به آیدی پشتیبانی آکادمی ربوتک به آدرس @robotech_support پیام دهید.
پیشنیاز این دوره پایتون است. اگر پایتون کار نکرده اید پیشنهاد می شود دوره پایتون ویژه یادگیری ماشین را از آکادمی ربوتک بگذرانید.
بله این دوره دارای مدرک نمره دار می باشد و به زبان انگلیسی صادر خواهد شد. نمره نهایی شما مطابق تمرینات انجام شده توسط شما و پروژه پایانی دوره (در صورت وجود) در نظر گرفته می شود.
در آکادمی ربوتک به دلیل شرایط سخت اقتصادی کشور همواره تلاش کرده ایم که دوره ها را با پایین ترین قیمت ممکن برگزار کنیم که تا حدی نیز موفق بوده ایم. اما متاسفانه امکان پرداخت اقساطی دوره وجود ندارد.
بله – هیچگونه محدودیتی در شرکت کنندگان وجود ندارد و تمامی افراد چه دانشجو و چه غیر دانشجو می توانند در این دوره ها شرکت کنند.
ارتباط مستقیم
دوره های مرتبط
دوره تنسورفلو پیشرفته
این یک برگه شگفت انگیز روز ساعت دقیقه ثانیه این دوره تنها یک بار در سال برگزار می شود. دوره…
دوره بازشناسی چهره (face recognition)
میخواهیم حرفه ای شویم. از کجا باید شروع کنیم ؟ چگونه مقالات را در Deep Learning بررسی کنیم ؟ از…
یادگیری ماشین کاربردی
درباره دوره مهلت باقی مانده تا پایان تخفیف روز ساعت دقیقه ثانیه مهلت استفاده از تخفیف به پایان رسیده است.…
پایتون ویژه یادگیری ماشین
درباره دوره مهلت باقی مانده تا پایان تخفیف روز ساعت دقیقه ثانیه مهلت استفاده از تخفیف به پایان رسیده است.…
chat_bubble_outlineنظرات
850,000 تومان
قوانین ثبت دیدگاه