در این دوره، شما: الف) طبقه بندی تصویر، تقسیم بندی تصویر، محلی سازی شی و تشخیص اشیا را کاوش کنید. استفاده از آموزش انتقال برای محلی سازی و تشخیص اشیا. ب) مدل‌های تشخیص اشیا مانند Regional-CNN و ResNet-50 را اعمال کنید، مدل‌های موجود را سفارشی کنید، و مدل‌های خود را برای شناسایی، بومی‌سازی و برچسب‌گذاری تصاویر اردک لاستیکی خود بسازید. ج) تقسیم‌بندی تصویر را با استفاده از تغییرات شبکه کاملاً کانولوشن (FCN) از جمله U-Net و د) Mask-RCNN برای شناسایی و شناسایی اعداد، حیوانات خانگی، زامبی‌ها و موارد دیگر اجرا کنید. د) مشخص کنید که مدل شما از کدام بخش‌های تصویر برای پیش‌بینی‌های خود با استفاده از نقشه‌های فعال‌سازی کلاس و نقشه‌های برجسته استفاده می‌کند و از این روش‌های تفسیر ML برای بازرسی و بهبود طراحی یک شبکه معروف، AlexNet استفاده می‌کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

در این دوره، مهارت‌هایی را که در مقدمه پردازش تصویر آموخته‌اید، برای حل مشکلات رایج مانند نویز تقویت خواهید کرد. شما از فیلترهای فضایی برای مقابله با انواع مختلف مصنوعات استفاده خواهید کرد. شما رویکردهای جدیدی برای تقسیم بندی مانند تشخیص لبه و خوشه بندی خواهید آموخت. شما همچنین مناطق مورد علاقه را تجزیه و تحلیل خواهید کرد و ویژگی هایی مانند اندازه، جهت و مکان را محاسبه خواهید کرد. در پایان این دوره، شما قادر خواهید بود مناطق را در تصاویر خود جدا و تجزیه و تحلیل کنید. شما مهارت های خود را برای بخش بندی تصویر MRI از مغز برای جداسازی بافت های مختلف به کار خواهید گرفت. شما در طول این دوره از MATLAB استفاده خواهید کرد. متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف پردازش تصویر را فراهم می‌کند. در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این دوره باید پیشینه ریاضی پایه و آشنایی با متلب داشته باشید. اگر می خواهید خود را با متلب آشنا کنید، متلب Onramp دو ساعته رایگان را ببینید. تجربه در زمینه پردازش تصویر الزامی نیست.

در این مقدمه برای پردازش تصویر، اولین قدم های خود را در دسترسی و تنظیم تصاویر دیجیتال برای تجزیه و تحلیل و پردازش بردارید. اندازه و جهت تصویر را بارگیری، ذخیره و تنظیم خواهید کرد و در عین حال نحوه تشخیص تصاویر دیجیتال را نیز درک خواهید کرد. سپس تقسیم بندی اولیه و تجزیه و تحلیل کمی را انجام خواهید داد. در نهایت، کنتراست تصاویر را افزایش می دهید تا اشیاء مورد علاقه را آسان تر شناسایی کنید. در پایان دوره، مهارت های تقسیم بندی خود را برای شناسایی مناطق مورد علاقه، مانند میزان آب سطحی از تصاویر ماهواره ای، به کار خواهید گرفت. این مقدمه برای پردازش تصویر پایه و اساس لازم را برای انجام کارهای پیشرفته تر در مورد این موضوع به شما می دهد. شما در طول این دوره از MATLAB استفاده خواهید کرد. متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف پردازش تصویر را فراهم می‌کند. در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این دوره باید پیشینه ریاضی پایه و آشنایی با متلب داشته باشید. اگر می خواهید خود را با متلب آشنا کنید، متلب Onramp دو ساعته رایگان را ببینید. تجربه در زمینه پردازش تصویر الزامی نیست.

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. به عنوان یک پزشک هوش مصنوعی، شما این فرصت را دارید که به این تحول در پزشکی مدرن بپیوندید. اگر قبلاً با برخی از ریاضیات و کدنویسی پشت الگوریتم‌های هوش مصنوعی آشنا هستید و مشتاق هستید که مهارت‌های خود را برای مقابله با چالش‌های صنعت مراقبت‌های بهداشتی بیشتر توسعه دهید، پس این تخصص برای شما مناسب است. هیچ تخصص پزشکی قبلی لازم نیست! این برنامه به شما تجربه عملی در به کارگیری تکنیک های پیشرفته یادگیری ماشینی برای مشکلات عینی در پزشکی مدرن می دهد: - در دوره 1، شما مدل های طبقه بندی و تقسیم بندی تصویر شبکه عصبی کانولوشنال را برای تشخیص اختلالات ریوی و مغز ایجاد خواهید کرد. - در دوره 2، با استفاده از روش های آماری و پیش بینی جنگل تصادفی برای تعیین پیش آگهی بیمار، مدل های خطر و برآوردگرهای بقا را برای بیماری های قلبی می سازید. - در دوره 3، شما یک پیش بینی کننده اثر درمان می سازید، تکنیک های تفسیر مدل را اعمال می کنید و از پردازش زبان طبیعی برای استخراج اطلاعات از گزارش های رادیولوژی استفاده می کنید. این دوره ها فراتر از پایه های یادگیری عمیق هستند تا به شما بینشی در مورد تفاوت های ظریف استفاده از هوش مصنوعی در موارد استفاده پزشکی ارائه دهند. به عنوان یک یادگیرنده، اگر از قبل با برخی از ریاضیات و کدنویسی پشت الگوریتم های هوش مصنوعی راحت باشید، برای موفقیت در این برنامه آماده خواهید شد. لازم نیست شما یک متخصص هوش مصنوعی باشید، اما دانش کاری شبکه های عصبی عمیق، به ویژه شبکه های کانولوشن، و مهارت در برنامه نویسی پایتون در سطح متوسط ​​ضروری است. اگر در یادگیری ماشین یا شبکه های عصبی نسبتاً تازه کار هستید، توصیه می کنیم ابتدا تخصص یادگیری عمیق را که توسط deeplearning.ai ارائه شده و توسط Andrew Ng آموزش داده شده است، استفاده کنید. تقاضا برای پزشکان هوش مصنوعی با مهارت ها و دانش برای مقابله با بزرگترین مسائل در پزشکی مدرن به طور تصاعدی در حال افزایش است. در این تخصص به ما بپیوندید و سفر خود را به سوی ساختن آینده مراقبت های بهداشتی آغاز کنید.