×
۹۵,۰۰۰ تومان

آموزش شبکه های عصبی پیچشی CNN - مقدماتی

آموزش شبکه های عصبی پیچشی CNN - مقدماتی

هزینه آموزش
۹۵,۰۰۰ تومان

تعداد دانشجو
۲۴۴ نفر
مدت زمان
۲ ساعت و ۱۲ دقیقه
محتوای این آموزش
تضمین کیفیت
۲ بازخورد (مشاهده نظرات)

شبکه عصبی پیچشی (CNN) یک الگوریتم یادگیری عمیق است که می‌تواند یک تصویر ورودی را گرفته، به جنبه‌ها یا اشیای مختلف آن تصویر از طریق وزن‌دهی قابل یادگیری، اهمیت بخشد و بتواند یکی را از دیگری متمایز کند. معماری CNN مشابه الگوی اتصال نورون‌ها در مغز انسان است و از ساختار قشر بصری الهام گرفته است. از آنجایی که درس یادگیری عمیق یکی از دروس پر اهمیت و ضروری رشته علوم کامپیوتر و گرایش‌های مختلف آن مانند: هوش مصنوعی، داده‌کاوی و همچنین شبکه‌های عصبی پیچشی و نیاز اصلی علاقه‌مندان به پردازش تصویر و بینایی ماشین است، فراگیری مفاهیم این شبکه‌ها بسیار حائز اهمیت است که در این فرادرس به آن می‌پردازیم.

آموزش شبکه های عصبی پیچشی CNN - مقدماتی

تعداد دانشجو
۲۴۴ نفر
مدت زمان
۲ ساعت و ۱۲ دقیقه
هزینه آموزش
۹۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۲ بازخورد (مشاهده نظرات)

سایه کارگری

دانشجوی کارشناسی ارشد علوم کامپیوتر – علوم تصمیم و مهندسی دانش

ایشان علاقه‌مند به حوزه‌های یادگیری عمیق، یادگیری ماشین، بینایی ماشین و سیستم‌های توصیه‌گر هستند.

توضیحات تکمیلی

امروزه یکی از بزرگترین چالش‌های بینایی ماشین (Machine Vision) این است که ماشین‌ها بتوانند جهان را مثل انسان‌ها ببینند، آن را به شیوه‌ای مشابه درک کنند و از دانش موجود برای انجام وظایف بسیاری مانند: تشخیص تصویر و ویدئو، تجزیه‌ و‌ تحلیل و طبقه‌بندی تصویر و سیستم‌های توصیه‌گر استفاده کنند. گفتنی است که پیشرفت و موفقیت در این زمینه‌ها به کمک یادگیری عمیق (Deep Learning) و شبکه‌های عصبی پیچشی (Convolutional Neural Networks) صورت گرفته است.

شبکه عصبی پیچشی (CNN) یک الگوریتم یادگیری عمیق است که می‌تواند یک تصویر ورودی را گرفته و به جنبه‌ها یا اشیای مختلف آن تصویر از طریق وزن‌دهی قابل یادگیری، اهمیت ببخشد و بتواند یکی را از دیگری متمایز کند. پیش‌پردازش مورد نیاز در CNN در مقایسه با سایر الگوریتم‌های طبقه‌بندی بسیار کمتر است. در حالی که در روش‌های اولیه، فیلترها به صورت دستی ساخته می‌شدند، CNN به خودی خود با آموزش کافی توانایی یادگیری این فیلترها یا ویژگی‌ها را دارد. معماری CNN مشابه الگوی اتصال نورون‌ها در مغز انسان است و از ساختار قشر بصری الهام گرفته است.

از آنجایی که درس یادگیری عمیق یکی از دروس پر اهمیت و ضروری رشته علوم کامپیوتر و گرایش‌های مختلف آن مانند هوش مصنوعی، داده‌کاوی است و همچنین شبکه‌های عصبی پیچشی نیاز اصلی علاقه‌مندان به پردازش تصویر و بینایی ماشین است، فراگیری مفاهیم این شبکه‌ها بسیار حائز اهمیت است که در این فرادرس به آن می‌پردازیم.

 

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • فصل یکم: شبکه‌های عصبی پیچشی
    • درس یکم: مفاهیم اولیه شبکه‌های عصبی پیچشی
    • درس دوم: لایه‌ پیچشی و مولفه‌های آن – فیلتر، گام و لایه‌گذاری
    • درس سوم: لایه تجمیع و انواع آن – تجمیع بیشینه و تجمیع میانگین
    • درس چهارم: لایه تماما متصل و مسطح‌ کردن
    • درس پنجم: شبکه‌های عصبی پیچشی و پس‌انتشار خطا
    • درس ششم: محاسبه تعداد پارامترها و ابعاد خروجی لایه‌ها
  • فصل دوم: معماری‌های معروف شبکه‌های پیچشی
    • درس هفتم: معرفی معماری‌های مختلف
    • درس هشتم: معماری AlexNet
    • درس نهم: معماری VGGNet
    • درس دهم: معماری GoogLeNet
    • درس یازدهم: معماری ResNet
  • فصل سوم: پیاده‌سازی شبکه پیچشی برای کلاس‌بندی تصاویر
    • درس دوازدهم: معرفی محیط برنامه‌نویسی گوگل کولب (Google Colab)
    • درس سیزدهم: معرفی فریم‌ورک پایتورچ (PyTorch)
    • درس چهاردهم: معرفی دیتاست CIFAR-10
    • درس پانزدهم: پیاده‌سازی پیش‌پردازش
    • درس شانزدهم: ایجاد مدل
    • درس هفدهم: آموزش مدل
    • درس هجدهم: ارزیابی و تست مدل
    • درس نوزدهم: معماری‌های معروف در پایتورچ و تعریف پروژه

 

مفید برای
  • مهندسی کامپیوتر – هوش مصنوعی
  • علوم کامپیوتر
  • داده‌کاوی
  • پردازش تصویر

پیش نیاز

آشنایی با مفاهیم اولیه شبکه‌های عصبی

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

Google Colaboratory

پیش نمایش‌ها

۱. مفاهیم اولیه شبکه‌های عصبی پیچشی
۲. لایه تجمیع و انواع آن – تجمیع بیشینه و تجمیع میانگین
۳. معماری AlexNet
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۴. ارزیابی و تست مدل
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. معماری‌های معروف در پایتورچ و تعریف پروژه
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۲۰ جلسه ویدئویی با مجموع ۲ ساعت و ۱۲ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش شبکه های عصبی پیچشی CNN - مقدماتی
ناشر فرادرس
کد آموزش FVCNN006
مدت زمان ۲ ساعت و ۱۲ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۲۳۳ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


نظرات

تا کنون ۲۴۴ نفر از این آموزش استفاده کرده‌اند و ۲ نظر ثبت شده است.
محمد جواد
محمد جواد
۱۴۰۱/۰۳/۰۹
من رشته ام برق هست. برای مسیر پایان نامه ای که داشتم تونستم با این آموزش پیش برم. همینکه یه سری از آموزش ها فقط تو فرادرس هست، این خیلی خوبه. ممنون و مچکر از شما.
fvcnn006
fvcnn006
۱۴۰۱/۰۲/۲۶
به طور کلی من راضی بودم، من کلا خیلی آموزش از فرادرس تهیه کردم و راضی بودم واقعا.
برچسب‌ها:
CNN | CNN | Convolutional Neural Networks | Convolutional Neural Networks | Deep learning | Deep learning | google Colab | google Colab | python | python | PyTorch Framework | PyTorch Framework | آموزش CNN | آموزش CNN | آموزش شبکه های عصبی پیچشی | آموزش شبکه های عصبی پیچشی | آموزش مدل در پایتورچ | آموزش مدل در پایتورچ | ابعاد خروجی لایه‌ ها در CNN | ابعاد خروجی لایه‌ ها در CNN | ارزیابی مدل در پایتورچ | ارزیابی مدل در پایتورچ | الگوریتم یادگیری عمیق | الگوریتم یادگیری عمیق | انواع لایه تجمیع در CNN | انواع لایه تجمیع در CNN | اهمیت CNN | اهمیت CNN | اهمیت شبکه های عصبی پیچشی | اهمیت شبکه های عصبی پیچشی | ایجاد مدل در پایتورچ | ایجاد مدل در پایتورچ | پایتون | پایتون | پیاده ‌سازی شبکه پیچشی | پیاده ‌سازی شبکه پیچشی | پیش‌ پردازش در CNN | پیش‌ پردازش در CNN | تجزیه‌ و‌ تحلیل تصویر با CNN | تجزیه‌ و‌ تحلیل تصویر با CNN | تجمیع بیشینه در CNN | تجمیع بیشینه در CNN | تجمیع میانگین در CNN | تجمیع میانگین در CNN | تست مدل در پایتورچ | تست مدل در پایتورچ | تشخیص تصویر با CNN | تشخیص تصویر با CNN | تشخیص ویدئو با CNN | تشخیص ویدئو با CNN | چالش‌ های بینایی ماشین | چالش‌ های بینایی ماشین | درس یادگیری عمیق | درس یادگیری عمیق | شبکه‌ های عصبی پیچشی | شبکه‌ های عصبی پیچشی | شناخت CNN | شناخت CNN | طبقه بندی تصویر با CNN | طبقه بندی تصویر با CNN | فریم ورک PyTorch | فریم ورک PyTorch | فریمورک پاتوریچ | فریمورک پاتوریچ | فریمورک پاتوریچ پایتون | فریمورک پاتوریچ پایتون | فیلتر در CNN | فیلتر در CNN | کاربرد CNN | کاربرد CNN | کاربرد شبکه های عصبی پیچشی | کاربرد شبکه های عصبی پیچشی | گام در CNN | گام در CNN | لایه‌ پیچشی در CNN | لایه‌ پیچشی در CNN | لایه تجمیع در CNN | لایه تجمیع در CNN | لایه تماما متصل در CNN | لایه تماما متصل در CNN | لایه‌ گذاری در CNN | لایه‌ گذاری در CNN | محیط برنامه ‌نویسی گوگل کولب | محیط برنامه ‌نویسی گوگل کولب | معرفی دیتاست CIFAR-10 | معرفی دیتاست CIFAR-10 | معرفی فریم‌ ورک پایتورچ | معرفی فریم‌ ورک پایتورچ | معماری AlexNet | معماری AlexNet | معماری CNN | معماری CNN | معماری GoogLeNet | معماری GoogLeNet | معماری ResNet | معماری ResNet | معماری VGGNet | معماری VGGNet | معماری‌ های معروف در پایتورچ | معماری‌ های معروف در پایتورچ | معماری های معروف شبکه های پیچشی | معماری های معروف شبکه های پیچشی | مفاهیم شبکه‌ های عصبی پیچشی | مفاهیم شبکه‌ های عصبی پیچشی | مولفه ‌های لایه‌ پیچشی در CNN | مولفه ‌های لایه‌ پیچشی در CNN | یادگیری CNN | یادگیری CNN | یادگیری شبکه های عصبی پیچشی | یادگیری شبکه های عصبی پیچشی | یادگیری عمیق | یادگیری عمیق
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۲۰ جلسه ویدئویی
×