Coursera – Hands-on Data Centric Visual AI 2026-9

در تاریخ: 1405/07/07 10:14:12

توضیحات

Hands-on Data Centric Visual AI، دوره آموزش عملی هوش مصنوعی بصری داده محور توسط آکادمی Coursera منتشر شده است.این دوره جامع یک راهنمای عملی برای توسعه و نگهداری مجموعه داده های باکیفیت برای کاربردهای هوش مصنوعی بصری است. در این دوره روش های مختلف برچسب گذاری داده، از روش های دستی تا روش های کاملاً خودکار، را یاد می گیرید و به کار می گیرید؛ کیفیت حاشیه نویسی را برای وظایف تشخیص اشیا با شناسایی و اصلاح مشکلات رایج برچسب گذاری ارزیابی و بهبود می دهید؛ تأثیر کیفیت کادرهای محدودکننده بر عملکرد مدل را تحلیل می کنید و راهکارهایی برای افزایش سازگاری برچسب ها توسعه می دهید؛ و از ابزارهای پیشرفته ای مانند FiftyOne و CVAT برای کاوش مجموعه داده، اصلاح خطاها و بهبود حاشیه نویسی استفاده می کنید. این دوره همچنین چالش های پیچیده بینایی ماشین، از جمله تشخیص های هم پوشان، پوشیدگی و تشخیص اشیای کوچک را بررسی می کند و تکنیک های افزایش داده برای بهبود استحکام و تعمیم پذیری مدل و مفاهیمی مانند سختی نمونه و آنتروپی را در زمینه آموزش مدل و انتخاب و سامان دهی مجموعه داده پوشش می دهد. با ترکیبی از دانش نظری و تمرین های عملی، یاد می گیرید مجموعه داده هایی ایجاد، نگهداری و بهینه کنید که به ساخت مدل های هوش مصنوعی بصری دقیق تر و قابل اعتمادتر کمک می کنند.

این دوره در 4 ماژول ارائه می شود. ابتدا با پارادایم هوش مصنوعی داده محور، حلقه بازخورد داده و مدل در تشخیص اشیا و بخش بندی نمونه ای، ابزار FiftyOne و معیارهای رایج ارزیابی آشنا می شوید. سپس آمار مجموعه داده و کیفیت تصاویر را تحلیل می کنید، داده های پرت و تصاویر تکراری یا تقریباً تکراری را شناسایی می کنید، امتیازهای معنایی و تنوع صحنه را بررسی می کنید و راهبردهای هوش مصنوعی داده محور را توسعه می دهید. در ادامه، کیفیت حاشیه نویسی را ارزیابی می کنید و با داده های دارای برچسب نادرست، نمونه های دشوار، تشخیص های هم پوشان، پوشیدگی و اشیای کوچک کار می کنید و از CVAT، FiftyOne، SAHI و تکنیک های افزایش داده بهره می گیرید. در پایان، تکنیک های پیشرفته هوش مصنوعی داده محور مانند افزایش داده و یادگیری فعال را به کار می گیرید، یک گردش کار سرتاسری و تکرارشونده برای بهبود مدل با FiftyOne پیاده سازی می کنید، کیفیت مجموعه داده را در طول زمان حفظ می کنید و تکنیک های بهبود عملکرد مدل را روی یک مجموعه داده مشخص به کار می بندید.

آنچه خواهید آموخت

پارادایم هوش مصنوعی داده محور را توضیح دهید و اهمیت آن را در گردش کارهای نوین یادگیری عمیق تشریح کنید.
از FiftyOne برای ارزیابی عملکرد مدل در تشخیص اشیا و بخش بندی نمونه ای استفاده کنید و معیارهای رایج ارزیابی را تفسیر کنید.
آمار مجموعه داده و کیفیت تصاویر را تحلیل کنید و داده های پرت، تصاویر تکراری و تقریباً تکراری و مشکلات مربوط به تنوع را شناسایی کنید.
کیفیت حاشیه نویسی را ارزیابی کنید و مشکلات رایج برچسب گذاری، از جمله داده های دارای برچسب نادرست، نمونه های دشوار، تشخیص های هم پوشان، پوشیدگی و اشیای کوچک را شناسایی کنید.
از ابزارهایی مانند FiftyOne، CVAT و SAHI برای کاوش مجموعه داده، بهبود حاشیه نویسی، اصلاح خطاها و اجرای گردش کارهای داده ای هوش مصنوعی بصری استفاده کنید.
تکنیک های افزایش داده و یادگیری فعال را برای بهبود استحکام، تعمیم پذیری و عملکرد مدل به کار بگیرید.
یک گردش کار سرتاسری و تکرارشونده برای بهبود مدل پیاده سازی کنید و راهبردهایی برای حفظ کیفیت مجموعه داده در طول زمان توسعه دهید.

این دوره برای چه کسانی مناسب است

فراگیران در سطح متوسط که به هوش مصنوعی داده محور و کاربردهای هوش مصنوعی بصری علاقه مند هستند.
متخصصان یادگیری ماشین و بینایی ماشین که می خواهند کیفیت مجموعه داده های مورد استفاده برای آموزش و ارزیابی مدل ها را بهبود دهند.
دانشمندان داده، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی که با تشخیص اشیا، بخش بندی نمونه ای و مجموعه داده های تصویری کار می کنند.
فراگیرانی که می خواهند تجربه عملی کار با ابزارهایی مانند FiftyOne، CVAT و SAHI را برای کاوش مجموعه داده، حاشیه نویسی، بهبود کیفیت داده و ارزیابی مدل به دست آورند.