1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Android Machine Learning with TensorFlow lite in Java/Kotlin 2023-11

Udemy – Android Machine Learning with TensorFlow lite in Java/Kotlin 2023-11

توضیحات

دوره Android Machine Learning with TensorFlow lite in Java/Kotlin. این دوره به توسعه‌دهندگان اندروید آموزش می‌دهد چگونه مدل‌های یادگیری ماشین را با TensorFlow Lite در برنامه‌های اندروید پیاده‌سازی کنند. مناسب افرادی با دانش پایین در توسعه اندروید که می‌خواهند یادگیری ماشین را یاد بگیرند، این دوره از مبانی پایتون، کتابخانه‌های داده‌کاوی مانند NumPy و Pandas، و اصول یادگیری ماشین و یادگیری عمیق شروع می‌کند. سپس به آموزش ساخت مدل‌های طبقه‌بندی و رگرسیون با TensorFlow می‌پردازد و نحوه تبدیل آن‌ها به فرمت TFLite برای استفاده در اندروید را آموزش می‌دهد. مثال‌های متنوعی از تشخیص ارقام دست‌نویس تا طبقه‌بندی تصاویر گربه و سگ پوشش داده می‌شود. همچنین مفاهیم پیشرفته‌تری مانند انتشار پس‌خور و پیش‌خور، توابع فعال‌سازی، و تکنیک‌های پیش‌پردازش داده مانند نرمال‌سازی و کدگذاری یک‌داغ بررسی می‌شوند. در نهایت، نحوه ادغام مدل‌های آموزش‌دیده در برنامه‌های اندروید با Android Studio نشان داده می‌شود. این دوره نیازی به پیش‌زمینه یادگیری ماشین ندارد و تمام منابع آن رایگان است.

آنچه فرا خواهید گرفت:

  • آموزش مدل‌های Machine Learning برای اپلیکیشن‌های Android
  • استفاده از مدل‌های Tensorflow Lite در داخل اپلیکیشن‌های Android با استفاده از Java و Kotlin
  • استفاده از مدل‌های Machine Learning آموزش‌دیده در داخل اپلیکیشن Android با استفاده از Android Studio
  • آموزش بیش از 10 مدل Machine Learning و ساخت اپلیکیشن‌های Android برای آن مدل‌ها
  • آموزش و پیاده‌سازی مدل‌های Classification و Regression در Android
  • تولید مدل Tensorflow Lite از مدل Keras، Saved Model، Concrete Function
  • آموزش مدل‌های تشخیص تصویر و ایجاد اپلیکیشن‌های Android برای آن مدل‌ها
  • ساخت اپلیکیشن Android طبقه‌بندی گربه‌ها و سگ‌ها
  • مسئله سنگ، کاغذ، قیچی در Android
  • اپلیکیشن Android تشخیص گل‌ها
  • اپلیکیشن Android برای تشخیص سنگ‌های قیمتی
  • اپلیکیشن Android تشخیص میوه‌ها
  • اپلیکیشن Android پیش‌بینی تناسب اندام یک فرد
  • مسئله انسان و اسب در Android

این دوره مناسب چه کسانی است؟

  • توسعه‌دهندگان مبتدی Android که در مورد استفاده از Machine Learning و Computer Vision در Android با استفاده از Java یا Kotlin کنجکاو هستند.
  • متخصصان با تجربه Android که می‌خواهند مدل‌های Machine Learning را به اپلیکیشن‌های Android خود اضافه کنند.
  • توسعه‌دهندگان متوسط Android که به دنبال ارتقاء مهارت‌های خود هستند.
  • توسعه‌دهندگان اپلیکیشن که می‌خواهند استفاده از Machine Learning را در اپلیکیشن‌های Android خود یاد بگیرند.
  • دانشجویان علاقه‌مند به Machine Learning – تمام نکات لازم برای افزودن مدل‌های Machine Learning در Android با استفاده از Android Studio را دریافت خواهید کرد.
  • متخصصانی که می‌خواهند از مدل‌های Machine Learning در اپلیکیشن‌های Android استفاده کنند.
  • متخصصان Machine Learning که می‌خواهند مدل‌های خود را در Android با استفاده از Android Studio و Tensorflow Lite پیاده‌سازی کنند.

مشخصات دوره Android Machine Learning with TensorFlow lite in Java/Kotlin

سرفصل های دوره در تاریخ 2024/2

Android Machine Learning with TensorFlow lite in Java/Kotlin

پیشنیازهای دوره Android Machine Learning with TensorFlow lite in Java/Kotlin

  • A very little knowledge of Android Development

تصاویر دوره

Android Machine Learning with TensorFlow lite in Java/Kotlin

نمونه فیلم دوره

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: ندارد

کیفیت: 1080p

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 1 گیگابایت

دانلود بخش 4 – 1 گیگابایت

دانلود بخش 5 – 91 مگابایت

گذرواژه فایل(ها): www.downloadly.ir


حجم فایل

4.09 گیگابایت

5/5 - (2 امتیاز)

محاسبه حجم دانلود برای ایرانسل به‌صورت تمام‌بها است.

Download Faster Without Limitation

The data center of free servers has applied a non-Iranian IP restriction on some servers
There is no limitation for VIP servers

برچسب ها:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این قسمت نباید خالی باشد
این قسمت نباید خالی باشد
لطفاً یک نشانی ایمیل معتبر بنویسید.
فقط دیدگاه‌هایی که جنبه‌ی استفاده‌ی عمومی دارد، نمایش داده می‌شود؛ درصورت تمایل به دریافت نتیجه‌ی رسیدگیِ دیدگاه خود، ایمیل معتبر وارد کنید.

فهرست