دوره آموزشی شبکه های عصبی کانولوشنی با متلب

آخرین بروزرسانی مهر 20, 1404

درباره این دوره

دوره‌ی آموزش شبکه‌های عصبی کانولوشنی (CNN) با MATLAB با هدف آشنایی کامل هنرجویان با مفاهیم یادگیری عمیق و نحوه‌ی پیاده‌سازی مدل‌های بینایی ماشین طراحی شده است. در این دوره از مباحث پایه شروع می‌کنیم و به‌صورت گام‌به‌گام وارد دنیای شبکه‌های عصبی کانولوشنی می‌شویم تا شرکت‌کنندگان علاوه بر درک تئوری، توانایی پیاده‌سازی عملی مدل‌ها در محیط MATLAB را نیز به دست آورند.

در ابتدا، ساختار کلی شبکه‌های عصبی و لایه‌های اصلی CNN شامل Convolution، Pooling، ReLU و Fully Connected معرفی می‌شوند و سپس مدل‌های طبقه‌بندی تصاویر بر روی مجموعه داده‌ی MNIST به‌صورت عملی آموزش داده می‌شوند. در ادامه، مفاهیم تشخیص اشیاء (Object Detection) و شبکه‌های RCNN مورد بررسی قرار گرفته و هنرجویان با ایده‌ی یادگیری انتقالی (Transfer Learning) آشنا می‌شوند. پروژه‌ی پایانی دوره شامل طراحی و آموزش یک مدل برای تشخیص علائم راهنمایی و رانندگی با استفاده از داده‌های CIFAR است که به شرکت‌کننده‌ها کمک می‌کند مهارت طراحی و آموزش شبکه‌های عمیق در MATLAB را به‌صورت کاربردی کسب کنند.

اهداف یادگیری

در این دوره با مفاهیم پایه و ساختار شبکه‌های عصبی کانولوشنی (CNN) در محیط MATLAB آشنا می‌شوید. ابتدا لایه‌های اصلی یک شبکه کانولوشنی شامل Convolution، Pooling و Fully Connected معرفی می‌شوند و نحوه‌ی عملکرد آن‌ها در استخراج ویژگی‌ها و کاهش ابعاد تصاویر توضیح داده می‌شود. سپس با استفاده از داده‌های تصویری MNIST، یاد می‌گیرید چگونه مدل‌های طبقه‌بندی تصاویر را هم با شبکه‌های ساده Fully Connected و هم با شبکه‌های کانولوشنی طراحی، آموزش و ارزیابی کنید تا تفاوت عملکرد و دقت آن‌ها را در عمل مشاهده نمایید.
در بخش پیشرفته‌تر، مفاهیم یادگیری عمیق (Deep Learning)، تشخیص اشیاء (Object Detection) و شبکه‌های RCNN مورد بررسی قرار می‌گیرند. در این مرحله با ایده‌ی **یادگیری انتقالی (Transfer Learning)** آشنا می‌شوید و یاد می‌گیرید چگونه از شبکه‌های ازپیش‌آموزش‌داده‌شده برای حل مسائل جدید استفاده کنید. پروژه‌ی نهایی دوره شامل آموزش مجدد یک شبکه‌ی کانولوشنی بر روی داده‌های CIFAR و پیاده‌سازی مدل تشخیص علائم راهنمایی رانندگی است تا به‌صورت عملی، توانایی طراحی و آموزش شبکه‌های عمیق را در MATLAB به دست آورید.

Material Includes

  • مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN)
  • آشنایی با مفاهیم پایه، ساختار کلی شبکه‌های عصبی، و معرفی کاربردهای CNN در بینایی ماشین.
  • آشنایی با لایه‌های شبکه کانولوشنی
  • بررسی لایه‌های Convolution، Pooling، ReLU و Fully Connected و نقش هر یک در استخراج ویژگی‌ها.
  • پیاده‌سازی طبقه‌بندی تصاویر با لایه Fully Connected
  • آموزش مدل ساده برای دسته‌بندی داده‌های تصویری MNIST بدون استفاده از لایه‌های کانولوشنی.
  • طراحی و آموزش شبکه کانولوشنی (CNN) در MATLAB
  • ساخت شبکه CNN برای داده‌های MNIST و مقایسه دقت آن با شبکه ساده.
  • بهبود عملکرد و ارزیابی مدل‌ها
  • تنظیم هایپرپارامترها، بهینه‌سازی شبکه و تفسیر نتایج آموزش و تست.
  • تشخیص اشیاء و شبکه‌های RCNN
  • آشنایی با مفاهیم تشخیص اشیاء، ناحیه‌بندی تصاویر و شبکه‌های RCNN.
  • یادگیری انتقالی (Transfer Learning)
  • استفاده از شبکه‌های از پیش آموزش‌دیده مانند AlexNet یا VGG برای حل مسائل جدید تصویری.
  • پروژه نهایی: تشخیص علائم راهنمایی و رانندگی
  • پیاده‌سازی پروژه عملی با استفاده از داده‌های CIFAR و یادگیری انتقالی در MATLAB.

Requirements

  • آشنایی با مفاهیم بامه نویسی متلب
  • و مفاهیم شبکه های عصبی

مخاطبان هدف

  • تمام دانشجویان، پژوهشگران، علاقه‌مندان به هوش مصنوعی

سرفصل ها

4 درس6 ساعت

پس زمینه فناوری اطلاعات

معرفی لایه های شبکه کانولوشنی و مفاهیم اولیه دیپ لرنینگ
پیاده سازی کلاس بندی داده های تصاویر mnist با لایه fullyconnected
پیاده سازی کلاس بندی داده های تصاویر mnist با شبکه کانولوشنی
مفاهیم تشخیص اشیا، یادگیری انتقال و شبکه RCNN با توضیح پروژه عملی
آزمون اول

مزیت دوره

پس از خرید دوره شما به مدت 3 ماه از پشتیبانی دوره بر خودار می شوید. می توانید در پیام رسان تلگرام با مدرس دوره برای راهنمایی پیاده سازی شبکه های CNN، بر روی داده های شخصی خودتان نیز مشاوره بگیرید!

تهیه دوره

هزینه دوره مبلغ 499 هزار تومان می باشد. پس از واریز هزینه دوره به کارت 5144_3216_9971_6037 (بانک ملی به نام مینا ناصری نسب) اسکرین پرداخت را به شماره 09919870462 ارسال نمایید. لینک تمامی 6 ساعت ویدیوهای آموزشی و کد های آموزش داده شده با پرداخت هزینه دوره و ثبت رسید، به جیمیل شما ارسال خواهد شد. با تشکر از حسن اعتماد شما

مدرس دوره

مینا ناصری نسب

مدرس

5.0/5
4 Courses
3 Reviews
20 Students

برنامه نویس

مشاهده بیشتر
CNN WITH MATLAB

499,000 تومان

سطح دوره
پیشرفته
مدت زمان دوره 6 ساعت
درس ها
4 درس

Material Includes

  • مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN)
  • آشنایی با مفاهیم پایه، ساختار کلی شبکه‌های عصبی، و معرفی کاربردهای CNN در بینایی ماشین.
  • آشنایی با لایه‌های شبکه کانولوشنی
  • بررسی لایه‌های Convolution، Pooling، ReLU و Fully Connected و نقش هر یک در استخراج ویژگی‌ها.
  • پیاده‌سازی طبقه‌بندی تصاویر با لایه Fully Connected
  • آموزش مدل ساده برای دسته‌بندی داده‌های تصویری MNIST بدون استفاده از لایه‌های کانولوشنی.
  • طراحی و آموزش شبکه کانولوشنی (CNN) در MATLAB
  • ساخت شبکه CNN برای داده‌های MNIST و مقایسه دقت آن با شبکه ساده.
  • بهبود عملکرد و ارزیابی مدل‌ها
  • تنظیم هایپرپارامترها، بهینه‌سازی شبکه و تفسیر نتایج آموزش و تست.
  • تشخیص اشیاء و شبکه‌های RCNN
  • آشنایی با مفاهیم تشخیص اشیاء، ناحیه‌بندی تصاویر و شبکه‌های RCNN.
  • یادگیری انتقالی (Transfer Learning)
  • استفاده از شبکه‌های از پیش آموزش‌دیده مانند AlexNet یا VGG برای حل مسائل جدید تصویری.
  • پروژه نهایی: تشخیص علائم راهنمایی و رانندگی
  • پیاده‌سازی پروژه عملی با استفاده از داده‌های CIFAR و یادگیری انتقالی در MATLAB.

حساب کاربری ندارید ؟ به صورت رایگان ثبت نام کنید

یا ورود با