دوره آموزشی شبکه های عصبی کانولوشنی با متلب
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
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
