دوره جامع آموزش پردازش تصویر با TensorFlow و Keras

دوره آموزشی جامع پردازش تصویر با TensorFlow و Keras توسط اساتید سایت Learn OpenCV ارائه شده و به بررسی مسائل مختلف در زمینه اجرا پروژه های پردازش تصویر و شبکه های عصبی می پردازد. این دوره توسط مجله شهاب با زبان فارسی برای شما مخاطبان عزیز ارائه شده است.

این دوره ابتدا به صورت مقدماتی به معرفی شبکه های عصبی می پردازد، سپس شما را با چارچوب یادگیری عمیق Keras آشنا می کند. در نهایت با معرفی انواع شبکه های مورد استفاده در حوزه پردازش تصویر، روش های مختلفی برای انجام پروژه ها به شما معرفی می کند. همچنین شما روش هایی برای بهینه سازی شبکه ها و بهبود نتایج آن ها خواهید آموخت.

جلسات دوره

تنظیم وزن های شبکه عصبیجلسه اول : آشنایی با شبکه های عصبی

در قسمت اول، با شبکه های عصبی آشنا می شویم و نحوه کار و تصمیم گیری آن ها را فرا خواهیم گرفت. همچنین می آموزیم که شبکه های عصبی چگونه آموزش می بینند و با مفاهیمی مانند گرادیان نزولی و پس انتشار آشنا خواهیم شد.

ادامه مطلب

چرخه کاری Keras

جلسه دوم : یادگیری عمیق با Keras

در این قسمت، با چارچوب Keras آشنا می شویم و نحوه نصب و پیکربندی آن در پایتون را می آموزیم. در نهایت مثالی از ساخت مدل و استنباط آن را بررسی خواهیم کرد.

ادامه مطلب

نمونه ای از TensorFlow Playground

جلسه سوم : شبکه های عصبی پیشخور

در این آموزش با شبکه های عصبی پیشخور یا Feedforward آشنا می شویم و پس از بررسی نرون ها ، لایه ها و توابع فعال سازی مختلف آن ها، نحوه استفاده از آن ها را فرا خواهیم گرفت.

ادامه مطلب

نمونه داده های MNIST

جلسه چهارم : کلاسه بندی تصاویر در Keras

در این قسمت نحوه پیاده سازی شبکه عصبی پیشخور در Keras را خواهیم آموخت و از طریق آن، تصاویر اعداد دستنویس را کلاسه بندی خواهیم کرد. همچنین روش هایی را برای بهبود مدل و جلوگیری از بیش برازش آن بررسی خواهیم کرد.

ادامه مطلب

دیاگرام کانولوشن روی تصویر

جلسه پنجم : کلاسه بندی تصاویر با شبکه عصبی کانولوشنی

در پنجمین قسمت از آموزش، با شبکه های عصبی کانولوشنی یا CNN ها آشنا می شویم و نحوه کار آن ها را فرا می گیریم. سپس در پایتون یک شبکه CNN را پیاده سازی می کنیم و از آن برای کلاسه بندی تصاویر مجموعه داده ی CIFAR10 استفاده می کنیم.

ادامه مطلب

تصاویر MNIST در مراحل مختلف

جلسه ششم : استفاده از Autoencoder ها برای حذف نویز

در این آموزش با خودرمزنگار ها یا Autoencoder ها آشنا می شویم و از آن ها برای حذف نویز از تصاویر استفاده خواهیم کرد. همچنین روش های مختلفی را برای بهبود نتایج آن ها بررسی خواهیم کرد.

ادامه مطلب
نتیجه تشخیص تصویر هندوانهنتیجه تشخیص تصویر هندوانه
 

جلسه هفتم : مدل های از پیش آموزش دیده

در این قسمت، از مدل های از پیش آموزش دیده یا Pre-Trained برای کلاسه بندی تصاویر ImageNet و ILSVRC استفاده خواهیم کرد. ما مدل های مختلفی را در Keras بارگذاری کرده و نتایج کلاسه بندی آن ها را بررسی می کنیم.

ادامه مطلب

شماتیک شبکه عصبی کانولوشنی

جلسه هشتم : یادگیری انتقالی

در ادامه آموزش قبل، این بار از روش یادگیری انتقالی برای بهبود بخشیدن به نتایج مدل های استفاده شده خواهیم پرداخت. ابتدا با مفهوم یادگیری انتقالی آشنا می شویم سپس نتایج کلاسه بندی پس از انجام یادگیری انتقالی را بررسی می کنیم.

ادامه مطلب

نمودار دقت و ضرر آموزش و اعتبار سنجی

جلسه نهم : تنظیم دقیق

در آخرین بخش آموزش، در تکمیل دو بخش قبلی به انجام عملیات تنظیم دقیق یا Fine-Tuning شبکه عصبی در Keras خواهیم پرداخت. با پیاده سازی این روش خواهیم دید که عملکرد شبکه و نتایج آن چقدر بهبود خواهند یافت.

ادامه مطلب

 

 

 

 

امیدواریم این دوره و محتوای ارائه شده مورد پسند شما بوده باشد و توانسته باشد به سوالات و نیاز های شما پاسخ دهد. در پایان خواهشمندیم در صورت همراهی ما در این دوره، نظرات خود را در مورد این دوره در بخش دیدگاه ها با ما به اشتراک بگذارید و در صورت تمایل به ادامه این آموزش ها، به ما اطلاع دهید.

درباره‌ی احمدرضا جعفری

همچنین ببینید

پردازش تصویر با Matlab دستورات اولیه

پردازش تصویر با MATLAB – قسمت اول : دستور های اولیه

در اولین قسمت از این آموزش ، اصول اولیه و همچنین مباحث پیشرفته پردازش تصویر …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *