پیشنهاد فرادرس

آموزش کاربردی شبکه های عصبی پیچشی 

دسته بندی ها: هوش مصنوعی ، آموزش های Packtpub ، شبکه های عصبی مصنوعی

شبکه عصبی پیچشی (CNN) انقلابی در زمینه های مختلف کاربردی مانند سیستم های تشخیص بصری، اتومبیل های بدون راننده، اکتشافات پزشکی، تجارت الکترونیکی و غیره است. در این دوره با ایجاد راه حل های نوآورانه در زمینه تجزیه و تحلیل تصویر و ویدئو برای حل مشکلات مربوط به یادگیری ماشینی و بینایی کامپوتری، پیاده سازی مدل های زندگی واقعی CNN، بررسی شبکه های عصبی عمیق با استفاده از طبقه بندی تصویر، مفاهیمی مانند انتقال یادگیری با CNN و Autoencoders برای ایجاد مدل های بسیار قدرتمند، ساختن الگوریتم های مرتبط با دیدگاه پیشرفته برای تشخیص شی، تقسیم بندی نمونه Instance و captioning تصویر، مکانیزم توجه برای بینایی و مدل های مکرر برای بینایی و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • ایجاد بلوک های شبکه عصبی
  • درک Backpropagation
  • معرفی شبکه های عصبی پیچشی
  • طبقه بندی تصویر
  • آموزش CNN
  • ساخت، آموزش و ارزیابی اولین CNN
  • بهینه سازی عملکرد مدل
  • معماری مدل CNN
  • معرفی Autoencoders
  • اپلیکیشن ها
  • تشخیص شی و تقسیم بندی Instance با CNN
  • R-CNN
  • GAN
  • و غیره
Practical Convolutional Neural Networks [Video] Publisher:Packtpub Author:Md. Rezaul Karim Duration:1 hours 52 minutes

Tackle all CNN-related queries with this fast-paced guide
Convolutional Neural Network (CNN) is revolutionizing several application domains such as visual recognition systems, self-driving cars, medical discoveries, innovative e-commerce, and more. You will learn to create innovative solutions around image and video analytics to solve complex machine learning- and computer vision-related problems and implement real-life CNN models. This course starts with an overview of deep neural networks using image classification as an example and walks you through building your first CNN: a human face detector. You will learn to use concepts such as transfer learning with CNN and auto-encoders to build very powerful models, even when little-supervised training data for labeled images is available. Later we build upon this to build advanced vision-related algorithms for object detection, instance segmentation, image captioning, attention mechanisms for vision, and recurrent models for vision. By the end of this course, you should be ready to implement advanced, effective, and efficient CNN models professionally or personally, by working on a complex image and video datasets.
All the code and supporting files for this course are available on Github at https://github.com/PacktPublishing/Practical-Convolutional-Neural-Networks-Video-
Style and Approach
An easy-to-follow, concise and illustrative guide explaining core ConvNet concepts to help you understand, implement and deploy your CNN models quickly. The course has theoretical content for research and algorithms and the practical parts are implemented in code.
Released: Friday, June 29, 2018
Deep Neural Networks – Overview
The Course Overview
Building Blocks of a Neural Network
Handwritten Number Recognition with Keras and MNIST
Understanding Backpropagation
Introduction to Convolutional Neural Networks
Convolutional Neural Networks
Practical Example – Image Classification
Build Your First CNN and Performance Optimization
Convolution and Pooling Operations in TensorFlow
Training a CNN
Building, Training, and Evaluating Our First CNN
Model Performance Optimization
Popular CNN Model Architectures
Transfer Learning
Feature Extraction Approach
Transfer Learning Example
Autoencoders for CNN
Introduction to Autoencoders
Convolutional Autoencoder
Applications
Object Detection and Instance Segmentation with CNN
Differences Between Object Detection and Image Classification
Traditional, nonCNN Approaches to Object Detection
R-CNN – Regions with CNN Features
Fast R-CNN – Fast Region-Based CNN
Faster R-CNN – Faster Region Proposal Network-Based CNN
Mask R-CNN – Instance Segmentation with CNN
GAN – Generating New Images with CNN
Attention Mechanism for CNN and Visual Models
Attention Mechanism for Image Captioning
Using Attention to Improve Visual Models

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 383.0MB Packtpub Practical Convolutional Neural Networks [Video]_git.ir.rar