مطالب پیشنهادی از سراسر وب

ساخت ویژگی ها از داده های تصویری

دسته بندی ها: آموزش یادگیری ماشینی (Machine Learning) ، آموزش هوش مصنوعی (AI) ، آموزش های پلورال سایت (Pluralsight)

از هنرهای ماشینی گرفته تا مصورسازی سیاهچاله ها، این روزها برخی از محبوب ترین کاربردهای هوش مصنوعی و یادگیری ماشینی در داده های تصویری است.
شما در این دوره، توانایی ساختارسازی داده های تصویر را به روشی ایده آل برای استفاده در مدل های یادگیری ماشینی به دست خواهید آورد.
ابتدا یاد خواهید گرفت که چگونه با استفاده از عملیاتی مانند یکسان سازی نسبت ابعاد، نرمال سازی بزرگی پیکسل و برش تصاویر به صورت مربع، تصاویر را پیش پردازش کنید. سپس، خواهید فهمید که چگونه می توانید تکنیک های denoising مانند ZCA whitening و نرمال سازی دسته ای را برای حذف تغییرات پیاده سازی کنید.
در پایان، نحوه شناسایی نقاط و حباب های مورد علاقه و محاسبه توصیف گران تصویر را با استفاده از الگوریتم هایی مانند Histogram of Oriented Gradients و Scale Invariant Feature Transform کشف خواهید کرد.
این دوره را با پیاده سازی کاهش ابعاد با استفاده از یادگیری دیکشنری، استخراج ویژگی با استفاده از convolutional kernels و شناسایی عامل نهفته با استفاده از رمزگذارهای خودکار، تکمیل می کنید.
پس از اتمام این دوره، مهارت و دانش لازم برای رفتن به سمت تصاویر پیش پردازش را به روش های مفهومی و عملی برای استخراج ویژگی ها از چنین داده هایی برای استفاده در مدل های یادگیری ماشینی خواهید داشت.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Building Features from Image Data Author:Janani Ravi Duration:2:10:14 Level:Advanced

From machine-generated art to visualizations of black holes, some of the hottest applications of ML and AI these days are to data in image form.
In this course, Building Features from Image Data, you will gain the ability to structure image data in a manner ideal for use in ML models.
First, you will learn how to pre-process images using operations such as making the aspect ratio uniform, normalizing pixel magnitudes, and cropping images to be square in shape. Next, you will discover how to implement denoising techniques such as ZCA whitening and batch normalization to remove variations.
Finally, you will explore how to identify points and blobs of interest and calculate image descriptors using algorithms such as Histogram of Oriented Gradients and Scale Invariant Feature Transform.
You will round out the course by implementing dimensionality reduction using dictionary learning, feature extraction using convolutional kernels, and latent factor identification using autoencoders.
When you’re finished with this course, you will have the skills and knowledge to move on to pre-process images in conceptually and practically sound ways to extract features from such data for use in machine learning models.

پیشنهاد آموزش مرتبط در فرادرس