دوره دید کامپیوتر

یادگیری عمیق یادگیری و دید کامپیوتر با پایتون، Tensorflow 2.0، OpenCV، Fastai. تشخیص Object & Gan و خیلی بیشتر!

عنوان اصلی : Computer Vision Course

سرفصل های دوره :

مقدمه:
برنامه دوره
تنظیم محیط:
نصب آناکوندا و راه اندازی کتابخانه ها
راه اندازی Anaconda در مک و لینوکس
پیمایش نوت بوک ژوپیتر
بینایی کامپیوتر:
بینایی کامپیوتر و یادگیری عمیق چیست؟ - قسمت 2
OpenCV:
معرفی OpenCV
تصویر چگونه ذخیره می‌شوند و معرفی Numpy
خواندن و نوشتن تصاویر
درک فضاهای رنگی
استفاده از فضاهای رنگی مختلف
یادداشت ها برای سخنرانی 15: ترسیم CV2
طراحی در CV2
تماس‌ها و نوار ردیابی در CV2
دستکاری و پردازش تصویر:
عملیات اساسی
روشن شدن، تیره شدن
تحولات هندسی - مقیاس بندی، ترجمه، چرخش
تحول آینده در مقابل تبدیل آفین
صاف و تیز کردن تصاویر و پیچیدگی ها
اهرام تصویر و ترکیب تصاویر
اپراتورهای بیتی و پوشش تصویر - نمایش فقط سگ یا پس زمینه؟
تصویر آستانه
گرادیان های تصویر
عملگرهای مورفولوژیکی - دیالاسیون، فرسایش، باز شدن، بسته شدن
تطبیق تمپلت
Canny Edge Detector
Canny Edge Detector & Hough Transform
کانتورها - قسمت 1
کانتورها - قسمت 2
کار با ویدیوها:
خواندن فید ویدیو و دوربین
استفاده از وب کم
بازی با ویدیو
پروژه های OpenCV:
هار آبشار
تشخیص خودروها
تشخیص خط - قسمت 1
تشخیص خط - قسمت 2
یادگیری عمیق - شبکه های عصبی چگونه کار می کنند؟ :
عصب و عملکرد فعال سازی | چگونه NN کار می کند
اختیاری: منابعی که باید دنبال شوند
Gradient Descent & Back Propagation | چگونه NN یاد می گیرد
Convolution & Max Polling و Flattening
آموزش انتقالی
طبقه بندی تصاویر برگ گیاه:
معرفی Kaggle
راه اندازی پروژه
چرا Google Colab از ابتدا نیست؟
بیانیه مشکل و Kaggle API برای دانلود داده
هدف ما!
آماده سازی فضای کاری و کاوش داده ها
تنسورفلو
تجسم داده ها
تجسم تصویر
Keras Data Generator & Splitting Data
ساخت مجموعه آموزشی و اعتبارسنجی
ایجاد مدل Keras و کامپایل آن
تنظیم Tensorboard و Weights & Biases Callback
توجه: سخنرانی 58. نمونه تست و آموزش مدل
نمونه تست و آموزش مدل
تجزیه و تحلیل نتایج و ذخیره تاریخچه
آموزش انتقال مدل Xception ( فقط با استفاده از معماری )
آموزش انتقال مدل Xception (تجمیع لایه ها)
معرفی یادگیری گروه
اجرای آموزش گروهی
TPU
راه اندازی Kaggle Notebok
راه اندازی TPU
tf.data مقدمه
استفاده از tf.data
آموزش مدل
آموزش گروهی
تنظیم فراپارامتر
تنظیم فراپارامتر بزرگ
ذخیره و بارگیری مدل ما
ذخیره پیش بینی ها - قسمت 1
ذخیره پیش بینی ها - قسمت 2
ارائه به Kaggle
راه حل های برندگان
پیوندهای راه حل های همه برندگان
چگونه می توانیم پیشرفت کنیم؟
تشخیص کله گندم:
تشخیص شی چیست
درک مشکل و داده
تنظیم نوت بوک
دانلود و وارد کردن همه کتابخانه ها
خواندن و تجسم داده ها و تصاویر
ایجاد مجموعه داده آموزشی و اعتبارسنجی ما
ایجاد پیکربندی
ایجاد تماس سفارشی Wandb - قسمت 1
ایجاد تماس سفارشی Wandb - قسمت 2
تنظیم بازگشت به تماس Wandb سفارشی و آموزش مدل
تجزیه و تحلیل نتایج
مدل آموزشی برای 1 دوره
استفاده از Retinanet
تجزیه و تحلیل نتایج
بارگیری مدل و پیش‌بینی در تصویر واحد
پیش بینی در مجموعه داده تست
ایجاد گزارش وزن ها و سوگیری ها
راه حل های برندگان
چگونه می توانیم پیشرفت کنیم؟
تولید تصاویر سگ جعلی:
GAN چیست؟ - از موارد و مثال ها استفاده کنید
GAN چگونه کار می کند؟ - ژنراتور
GAN چگونه کار می کند؟ - تبعیض کننده
GAN چگونه کار می کند؟ - کامل
چرا GAN کار می کند - خلاصه
FastAI چیست؟
مجموعه داده های آموزشی خواندن و ساخت
ایجاد مدل GAN
آموزش مدل
تنظیم نتایج و پیش بینی ها
آموزش طولانی تر
ذخیره و بارگیری مدل ما
چگونه می توانیم پیشرفت کنیم؟
ساخت برنامه ML با استفاده از Streamlit:
Streamlit
نصب کتابخانه ها و ساخت اپلیکیشن وب
تکمیل برنامه وب
تکمیل پروژه
برنامه ML و منبع یابی باز آن را در GitHub اجرا کنید:
منبع باز پروژه در Github
مستندسازی پروژه ما
استقرار برنامه ما در فضای ابری با استفاده از Heroku
معایب و بعد چه؟ :
معایب یادگیری عمیق
چگونه استخدام شویم؟
چگونه برای پروژه های جدید ایده بگیریم؟
بعد چی؟
متشکرم :)