آموزش یادگیری عمیق با پایتون – شبکه های عصبی کانولوشنی (CNN)

شبکه های عصبی کانولوشنی (Convolutional Neural Networks یا CNNs) یکی از معماری های کلیدی در حوزه یادگیری عمیق به شمار می روند که به طور خاص برای پردازش داده هایی با ساختار فضایی مانند تصاویر طراحی شده اند. آن چه این شبکه ها را متمایز می کند، توانایی آن ها در استخراج ویژگی های محلی از داده های ورودی با حفظ ساختار دو بعدی تصویر است.

در این دوره چه مباحثی آموزش داده شده است؟

ما در این دوره به آموزش شبکه های عصبی کانولوشنی (CNN) در یادگیری عمیق با پایتون می پردازیم. در این دوره، با اجزای اصلی CNN آشنا می شوید و از طریق تمرین های عملی با زبان پایتون، مهارت خود را در کاربردهای واقعی مثل دسته بندی تصاویر، شناسایی اشیاء و تقسیم بندی تصویر تقویت می کنید.

فرد نوانگانگا، مدرس دوره، به شما کمک می کند تا در طراحی، پیاده سازی و بهینه سازی مدل های CNN مهارت پیدا کنید. در ادامه، با معماری های پیشرفته ای مانند VGG Net، ResNet و EfficientNet آشنا می شوید و یاد می گیرید چگونه از مدل های از پیش آموزش دیده برای افزایش دقت و کارایی استفاده کنید.

این دوره برای داده کاوان، علاقه مندان به یادگیری ماشین و توسعه دهندگانی طراحی شده که با مفاهیم پایه یادگیری عمیق و برنامه نویسی پایتون آشنایی دارند. هدف این است که شما را به ابزارها و تکنیک های پیشرفته تری در حوزه یادگیری ماشین مجهز کند.

علاوه بر این، دوره با GitHub Codespaces یکپارچه شده؛ محیط توسعه ابری و آنلاینی که امکانات یک IDE کامل را در اختیار شما می گذارد، بدون نیاز به نصب نرم افزار روی سیستم شخصی. با استفاده از این ابزار، می توانید در هر زمان و از هر دستگاهی تمرین های عملی دوره را انجام دهید—درست مانند شرایط واقعی محل کار. پیشنهاد می کنیم بخش «استفاده از GitHub Codespaces» را نیز ببینید تا بتوانید کار با آن را شروع کنید.

سرفصل های دوره آموزش یادگیری عمیق با پایتون – شبکه های عصبی کانولوشنی (CNN)

مقدمه

• استفاده از شبکه های عصبی کانولوشنی (CNN) با پایتون
• آنچه باید پیش از شروع بدانید
• استفاده از فایل های تمرینی

1. بینایی ماشین (Computer Vision)

• بینایی ماشین چیست؟
• مروری بر تاریخچه بینایی ماشین
• درک داده های تصویری
• پیش پردازش داده های تصویری در پایتون
• افزایش داده های تصویری (Data Augmentation) در پایتون

2. شبکه های عصبی کانولوشنی (CNNs)

• معرفی شبکه های عصبی کانولوشنی
• لایه های کانولوشن و فیلترها
• لایه های Pooling
• لایه های کاملاً متصل (Fully Connected)
• چرا CNNها در بینایی ماشین مؤثر هستند؟

3. طبقه بندی تصاویر با استفاده از CNN

• آماده سازی برای ساخت یک CNN در پایتون
• تعریف شبکه CNN در پایتون
• آموزش شبکه CNN در پایتون

4. معماری های مختلف CNN

• VGGNet
• شبکه های Inception
• ResNet
• MobileNet
• EfficientNet

5. وظایف رایج در بینایی ماشین

• طبقه بندی تصویر چیست؟
• استفاده از مدل های از پیش آموزش دیده برای طبقه بندی تصویر در پایتون
• شناسایی اشیاء چیست؟
• استفاده از مدل های از پیش آموزش دیده برای شناسایی اشیاء در پایتون
• بخش بندی تصویر چیست؟
• استفاده از مدل های از پیش آموزش دیده برای بخش بندی تصویر در پایتون

نتیجه گیری

• ادامه مسیر در یادگیری عمیق

حاصل دوره

دانشجویان عزیز با گذراندن این دوره آموزشی با مفاهیم پایه و ساختار شبکه های عصبی کانولوشنی (CNN) آشنا می شوند و می توانند مدل های یادگیری عمیق را در پایتون طراحی و پیاده سازی کنند. همچنین توانایی کار با معماری های پیشرفته مانند ResNet و EfficientNet و استفاده از مدل های از پیش آموزش دیده را به دست می آورند. در نهایت، مهارت به کارگیری CNN در کاربردهای عملی مانند طبقه بندی تصویر، شناسایی اشیاء و بخش بندی تصویر را کسب خواهند کرد.