سرفصل های دوره

۱ فصل
۱۲ جلسه
۳ ساعت
۱

لیست ویدئوهای دوره

۱۲ قسمت
۰۳:۲۴:۱۸
1

بخش اول - قسمت اول - Data cleaning - تمیز کردن داده های کثیف

رایگان
۴۱:۰۱
2

بخش اول - قسمت دوم - Data transformation - انتقال داده

رایگان
۳۵:۰۶
3

بخش اول - قسمت سوم - Data reduction - کاهش داده

رایگان
۲۱:۱۲
4

فایل های جانبی بخش اول

5

بخش دوم - قسمت اول - Human brain architecture - ساختار ذهن انسان !

۰۶:۳۲
6

بخش دوم - قسمت دوم - Training model component - اجزای مدل های یادگیری ماشین

۱۰:۴۵
7

بخش دوم - قسمت سوم - Type of problems - انواع مساله

۰۵:۰۲
8

بخش دوم - قسمت چهارم - Dense nets - شبکه های دنس

۰۷:۰۵
9

بخش دوم - قسمت پنجم - Convolution model - مدل های شبکه های عصبی کانوولوشنی

۰۶:۱۲
10

بخش دوم - قسمت ششم - NN training structure - ساختار شبکه های عصبی

۳۳:۲۹
11

فایل های بخش دوم

12

بخش سوم - قسمت اول - Confusing matrix - ماتریس سردرگمی برای ارزیابی مدل

۱۰:۰۶
13

بخش سوم - قسمت دوم - Charts - نمودار ها

۰۲:۴۱
14

بخش سوم - قسمت سوم - Gain and lift chart و Roc Chart و Auc Chart

۲۵:۰۶

آنچه در این دوره تشخیص ارقام دستنویس با پایتون فرا میگیرید!

  • این دوره از شاخه‌های پردازش تصویر میباشد که در یادگیری عمیق یا Deep Learning یکی از شاخه‌های کار آمد به حساب می‌آید.
  • این دوره دید خوبی برای علاقه‌مندان این علم میدهد و پس از این دوره مخاطبان میتوانند آینده و مراحل بعدی خود را پیش‌بینی و مشخص کنند.

این دوره به شما آموزش می دهد که چگونه شبکه های عصبی کانولوشن ( ویکی پدیا ) بسازید و آن را در داده های تصویر بخصوص اعداد دست نوشت اعمال کنید. به لطف یادگیری عمیق ، بینایی رایانه بسیار بهتر از سالهای پیش کار می کند ، و این برنامه های مختلف مهیج از رانندگی خودکار ، تشخیص دقیق چهره ، خواندن خودکار تصاویر رادیولوژی را امکان پذیر می کند. و همچنین یاد میگیرید که با داده‌های سطری و ستونی چگونه کار کره و از آنها استخراج دانش ( داده کاوی ) کنید. و همینطور دید و سبک فکر در زمینه حل مسائل داده محور به شما میدهد.

معرفی پروژه پردازش تصویر

  • این دوره شامل ۲ پروژه هست که در فصل اول به دلیل مباحث مورد نظر یک پروژه متشکل از داده‌های سطری و ستونی میباشد.
  • در فصل دوم پروژه اصلی و مورد هدف که دیتا ستی از اعداد انگلیسی دست نوشت هست را مورد بررسی قرار میدهیم.

دوره برای چه کسانی مناسب است؟

تکنولوژی و نرم افزار های مورد نیاز

  • پایتون 3.5 به بالا

پیشنیاز های تشخیص ارقام دستنویس با پایتون

  • آشنایی با زبان برنامه نویسی پایتون
  • آشنایی کتابخانه های keras,numpy, pandas
  • آشنایی با یادگیری ماشین

سرفصل های آموزش دوره تشخیص اعداد دست نوشت

بخش اول :‌ Data preprocessing ( پیش پردازش روی داده ها‌ )

  • Data cleaning – تمیز کردن داده های کثیف
  • Data transformation – انتقال داده
  • Data reduction – کاهش داده

بخش دوم : Machine learning models ( مدل یادگیری ماشین )

  • Human brain architecture – ساختار ذهن انسان !
  • Training model component – اجزای مدل های یادگیری ماشین
  • Type of problems – انواع مساله
  • Dense nets – شبکه های دنس
  • Convolution model – مدل های شبکه های عصبی کانوولوشنی
  • NN training structure – ساختار شبکه های عصبی

بخش سوم : Evaluation models ( ارزیابی مدل )

  • Confusing matrix – ماتریس سردرگمی برای ارزیابی مدل
  • Charts – نمودار ها
  • Gain and lift chart
  • Roc Chart
  • Auc Chart