توضیحات
دوره Computer Vision for Data Scientists. این دوره جامع به شما در درک بینایی کامپیوتر، یکی از پرطرفدارترین زمینههای فناوری امروز، کمک میکند. مدرس دوره، هارپریت سهوتا، تاریخچه و تحولات این صنعت رو به رشد را به شما آموزش میدهد و دانش شما را در مورد شبکههای عصبی کانولوشنال، آموزش شبکه، مدلهای یادگیری عمیق برای وظایف طبقهبندی تصویر، یادگیری انتقالی با مدلهای از پیش آموزشدیده و موارد دیگر ارتقا میدهد. شما با طیف گستردهای از قابلیتهای ارائه شده توسط کتابخانه آموزش انعطافپذیر SuperGradients آشنا خواهید شد که به شما امکان میدهد چرخه حیات توسعه مدل را کوتاه و ساده کنید. در طول دوره، هارپریت بینشهای عملی در مورد نحوه آموزش مدلها و شبکهها به طور موثرتر با استفاده از تکنیکهای پیشرفته مانند میانگین متحرک نمایی، میانگین وزنی، انباشت دستهای و BatchNorm ارائه میدهد. توجه: این دوره نیاز به دانش پایه یادگیری ماشین و همچنین تجربه با پایتون و PyTorch دارد.
آنچه فرا خواهید گرفت
- آشنایی با تاریخچه و تحولات بینایی کامپیوتر
- درک عمیق شبکههای عصبی کانولوشنال
- یادگیری نحوه آموزش شبکههای بینایی کامپیوتر
- استفاده از مدلهای یادگیری عمیق برای وظایف طبقهبندی تصویر
- آشنایی با یادگیری انتقالی با مدلهای از پیش آموزشدیده
- استفاده از کتابخانه SuperGradients برای آموزش مدلهای بینایی کامپیوتر
- آموزش مدلها و شبکهها به طور موثرتر با استفاده از تکنیکهای پیشرفته
این دوره مناسب افرادیست که:
- دانشمندان دادهای که میخواهند مهارتهای خود را در بینایی کامپیوتر ارتقا دهند
- مهندسان یادگیری ماشین که به دنبال یادگیری نحوه ساخت مدلهای بینایی کامپیوتر هستند
- هر کسی که علاقهمند به یادگیری بیشتر در مورد یکی از داغترین زمینههای فناوری امروز است
مشخصات دوره Computer Vision for Data Scientists
- ناشر: LinkedIn
- مدرس: Harpreet Sahota
- سطح آموزش: پیشرفته
- مدت زمان آموزش: 4 ساعت و 1 دقیقه
سرفصل های دوره
تصاویر دوره
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
391 مگابایت









![The Ultimate Redux Course 2023 - [LATEST Redux-toolkit]](https://downloadly.ir/wp-content/uploads/2024/04/The-Ultimate-Redux-Course-2023-LATEST-Redux-toolkit.jpeg)




































