یک نمای کلی از الگوریتم های دید رایانه در خانواده YOLO دریافت کنید و نحوه استفاده از این الگوریتم ها را برای پرداختن به چالش های دنیای واقعی نشان دهید. این دوره شامل پیاده روی های فنی برای تکنیک های اساسی مانند طبقه بندی تصویر ، تشخیص شی ، ردیابی شی ، تقسیم نمونه ، تخمین پوز و جعبه های محدود کننده گرا (OBB) با استفاده از بسته Ultralytics Python است. مربی محمد مونوار شما را از طریق حاشیه نویسی داده ها ، مدل های آموزش و صادر کردن آنها راهنمایی می کند و نشان می دهد که چگونه روند صادرات زمان استنباط را سرعت می بخشد. علاوه بر این ، ببینید که چگونه راه حل های Ultralytics برای حل چالش های عملی بینایی رایانه متناسب است ، با نمونه های عمیق اجرای فنی ارائه شده در طول دوره

 اگر به دنبال تمرین AI دستی هستید ، این دوره برنامه نویسی به سبک کارگاه برای شما طراحی شده است. به مربی Janani Ravi بپیوندید زیرا او به شما نشان می دهد که چگونه می توانید شبکه های مخالف تولیدی (GANS) را بسازید و آموزش دهید. اجزای اصلی GAN ها را کشف کنید ، از جمله نحوه تنظیم محیط مجازی ، اجرای سرور نوت بوک ، فوری مجموعه داده Pytorch ، Dataloader و موارد دیگر. Janani اصول آموزش مستقل مخالفان ، آموزش GAN ها و تجسم نتایج را در بر می گیرد. Janani همچنین در مورد چگونگی رسیدگی به مشکلات مشترک مرتبط با GAN ها و کاهش مؤثر آنها در طول فرآیند آموزش بحث می کند.

 اگر به دنبال تمرین AI دستی هستید ، این دوره برنامه نویسی به سبک کارگاه برای شما طراحی شده است. به مربی Janani Ravi بپیوندید زیرا او به شما نشان می دهد که چگونه می توانید شبکه های ژنرال تولیدی عمیق (GANS) را بسازید و آموزش دهید. اجزای اصلی لایه های حلقوی و جمع آوری ، از جمله تنظیم نوت بوک های میزبان Google Colab ، تبدیل تصاویر چند کاناله به تنش ، استفاده از لایه ها و مشاهده جلوه های فیلتر را کاوش کنید. Janani اصول اولیه آموزش یک تبعیض آمیز را به عنوان یک مدل طبقه بندی و آموزش یک GAN حلقوی عمیق مانند یک حرفه ای ، از تنظیم داده ها برای آموزش GAN ، تنظیم ژنراتور و تبعیض آمیز ، و خروجی از یک ژنراتور و تبعیض آمیز برای ایجاد یک حلقه آموزشی ، مشاهده و ارزیابی نتایج و موارد دیگر پوشش می دهد.

 

اگر به دنبال تمرین عملی هوش مصنوعی هستید، این دوره کدنویسی به سبک کارگاهی برای شما طراحی شده است. به مربی Janani Ravi بپیوندید تا به شما نحوه ایجاد یک شبکه عصبی با PyTorch Lightning را نشان دهد، کتابخانه منبع باز پایتون که یک رابط برای چارچوب یادگیری عمیق محبوب PyTorch ارائه می دهد. اجزای اصلی ساخت یک شبکه عصبی با PyTorch، از جمله راه اندازی محیط مجازی، بارگیری و کاوش داده ها، پیش پردازش داده ها برای آموزش، ایجاد و آموزش یک شبکه عصبی ساده، راه اندازی Dataset و DataLoader، تجسم تلفات و موارد دیگر را کاوش کنید. در طول مسیر، جانانی اصول استفاده از ماژول ها در PyTorch Lightning را برای ساخت، آموزش و ارزیابی هر دو مدل رگرسیون و طبقه بندی پوشش می دهد.

این دوره توسط Loonycorn ایجاد شده است. ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

 

از آنجایی که چشم انداز هوش مصنوعی به طور مداوم در حال تکامل است، درک جنبه های اساسی و در حال ظهور یادگیری عمیق برای حرفه ای هایی که به دنبال پیشرفت در زمینه های مرتبط با فناوری هستند بسیار مهم می شود. این دوره با ارائه بینش های به روز در مورد چگونگی استفاده از قدرت برنامه های کاربردی TensorFlow به پر کردن این شکاف کمک می کند. جدیدترین ویژگی‌ها و بهترین شیوه‌های TensorFlow را با برنامه‌های کاربردی و نمونه‌های واقعی کشف کنید. در طول مسیر، مربی Isil Berkun شما را با مفاهیم مولد هوش مصنوعی آشنا می کند تا الهام بخش کاوش و یادگیری بیشتر باشد. در پایان این دوره، شما در پیاده‌سازی مدل‌های یادگیری عمیق با TensorFlow مهارت خواهید داشت.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ گونه تنظیمات ماشین محلی ارائه می‌کند، یکپارچه شده است. با استفاده از GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از ابزاری استفاده کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، فصل "غواصی در فضاهای کد" را بررسی کنید.