پیشنهاد فرادرس

آموزش شبکه های عصبی در هوش مصنوعی با Python 

دسته بندی ها: هوش مصنوعی ، آموزش های Packtpub ، شبکه های عصبی مصنوعی ، آموزش پایتون (Python)

این دوره مبانی متدهای یادگیری عمیق را پوشش می دهد. در ابتدا با ردیابی و شناسایی آبجکت آشنا می شوید که در آن چهره ها، چشم ها و آبجکت ها را ردیابی می کند. سپس ساخت OCR و شبکه های عصبی را فرا خواهید گرفت. علاوه بر این عوامل یادگیری که از تعامل با محیط حاصل می شود، به کارگیری یادگیری عمیق با شبکه های عصبی پیچشی، استفاده از TensorFlow برای ساخت شبکه های عصبی و طبقه بندی تصویر با استفاده از شبکه های عصبی پیچشی آموزش خواهید دید.

سرفصل:

  • ردیابی و شناسایی آبجکت
  • معرفی دوره
  • نصب OpenCV
  • ردیابی اشیاء با استفاده از رنگهای مختلف
  • ردیابی شی با استفاده از حذف پس زمینه
  • ساخت یک ردیاب شیء با استفاده از الگوریتم CAMShift
  • ردیابی مبتنی بر جریان نوری
  • تشخیص چهره و ردیابی
  • شبکه های عصبی مصنوعی
  • معرفی شبکه های عصبی مصنوعی
  • ایجاد یک طبقه بندی مبتنی بر پراسترن
  • ساخت شبکه های عصبی تک و چند لایه
  • ساخت Vector Quantizer
  • تجزیه و تحلیل داده های متوالی با استفاده از شبکه های عصبی مکرر
  • مصورسازی کاراکترها در پایگاه داده شناسایی کاراکتر بصری
  • ساخت موتور شناسایی کاراکتر بصری
  • یادگیری تقویتی
  • یادگیری تقویتی چیست؟
  • ایجاد محیط
  • ایجاد عامل یادگیری
  • یادگیری عمیق با شبکه های عصبی پیچشی
  • معرفی شبکه های عصبی پیچشی
  • ایجاد Regressor خطی مبتنی بر Perceptron
  • ایجاد Image Classifier با شبکه عصبی تک لایه
  • ایجاد Image Classifier با شبکه های عصبی پیچشی
آیا این نوشته را دوست داشتید؟
Artificial Intelligence with Python – Deep Neural Networks [Video] Publisher:Packtpub Author:Prateek Joshi Duration:1 hour and 19 minutes

Learn different Artificial Intelligence learning techniques with neural networks
The course is an introduction to the basics of deep learning methods. We will start with object detection and tracking, in which we will track faces, objects and eyes. We will then build a neural network and an OCR. We will then learn how to build learning agents that can learn from interacting with the environment. We will use Deep Learning with Convolutional Neural Networks, and use TensorFlow to build neural networks. We will then build an image classifier using convolutional neural networks.
Style and Approach
The video course is structured in such a way that the explanation of a concept is followed by a relevant example. Also, algorithms are explained and their respective code and training dataset is provided.

Released: Tuesday, January 30, 2018

Object Detection and Tracking
The Course Overview
Installing OpenCV
Frame Differencing
Tracking Objects Using Colorspaces
Object Tracking Using Background Subtraction
Building an Object Tracker Using the CAMShift Algorithm
Optical Flow Based Tracking
Face Detection and Tracking

Artificial Neural Networks
Introduction to Artificial Neural Networks
Building a Perceptron Based Classifier
Constructing Single and Multilayer Neural Networks
Building a Vector Quantizer
Analyzing Sequential Data Using Recurrent Neural Networks
Visualizing Characters in an Optical Character Recognition Database
Building an Optical Character Recognition Engine

Reinforcement Learning
What Is Reinforcement Learning?
Creating an Environment
Building a Learning Agent

Deep Learning with Convolutional Neural Networks
What are Convolutional Neural Networks?
Building a Perceptron-Based Linear Regressor
Building an Image Classifier Using a Single Layer Neural Network
Building an Image Classifier Using a Convolutional Neural Network

پیشنهاد فرادرس