دوره بینایی ماشین

1,950,000 تومان
محل قرارگیری تصویر مدرس

احتمالا نخستین سؤالی که در مورد دوره حاضر به ذهن خطور می‏کند آن است که اصولا تعریف "بینایی ماشین" (Machine vision) یا "بینایی کامپیوتر" (Computer vision) چیست؟ در این مقدمه، به این سؤال و دو سؤال مهم دیگر زیر پاسخ داده خواهد شد.

سؤال دوم: مخاطب این دوره چه افرادی می‏باشند و چه پیش‏نیازهایی را می‏بایست بدانند؟

سؤال سوم:  محتوای کلی دوره شامل چه مباحثی می‏باشد؟

پاسخ به سؤال اول: تعریف "بینایی ماشین"

به این سؤال مهم، در جلسه اول دوره به تفصیل پاسخ داده شده است. در این مقدمه، به اختصار در این خصوص، توضیحاتی ارائه می‏گردد.

بینایی ماشین، شاخه ای از "یادگیری ماشین" (Machine learning) است که این موضوع به نوبه خود، شاخه‏ای مهم از "هوش مصنوعی" (Artificial intelligence) می‏باشد. هوش مصنوعی نیز با مفهومی به نام "هوش طبیعی" (Natural intelligence) مرتبط می‏باشد. با توجه به این ارتباط، بیاییم از تعریف هوش طبیعی شروع کرده و در نهایت به تعریف بینایی ماشین برسیم.

هوش طبیعی: به مجموعه قابلیت‏های دریافت (Sensing) ، درک (Understanding)، یادگیری (Learning)، پردازش (Processing) و تصمیم‏گیری (Decision making) که در انسان و سایر موجودات وجود دارد، هوش طبیعی گفته می‏شود.

هوش مصنوعی : به  تقلید (Mimic) (بخشی یا همه) قابلیت های هوش طبیعی توسط ماشین گفته می شود.

یادگیری ماشین: امروزه قسمت اعظم بهره گیری از هوش مصنوعی در قالب یادگیری ماشین انجام می شود که بخش یادگیری، برجسته می باشد.

بینایی ماشین: همان یادگیری ماشین است که داده‏های ورودی آن از جنس تصویر یا ویدئو می‏باشد.

امروزه همگان با اهمیت فوق العاده "هوش مصنوعی" آشنا هستیم. موضوعاتی مانند سامانه‏های پرسش و پاسخ متنی (ChatGPT، Bard و...)، تبدیل متن به تصویر یا ویدئو و... دارد همه‏گیر می‏شود و حتی وارد زندگی روزمره مردم عادی می‏شود. بسیاری از صاحبنظران، هوش مصنوعی را از ارکان مهم (و شاید مهم‏ترین رکن) انقلاب صنعتی چهارم می‏دانند. در تعاریف بالا، مشخص کرده‏ایم که بینایی ماشین یکی از مهم‏ترین موضوعات مطرح در هوش مصنوعی است. اغلب افراد، ناخودآگاه یا با علم و اطلاع، تجربه‏ای در مورد سامانه های بینایی ماشین داشته‏اند. برای رانندگانی که جریمه شده‏اند، سامانه‏های تشخیص پلاک (که بر مبنای تصاویر گرفته شده توسط دوربین ها، شماره پلاک را تشخیص می‏دهند) جزء دردآورترین سامانه‏هاست. این سامانه، مثال واضحی از یک ماژول بینایی ماشین می‏باشد. ماژول‏های تشخیص و شناسایی چهره و یا تشخیص اثر انگشت، نمونه‏های دیگری از سامانه‏های بینایی ماشین به شمار می‏روند.

پاسخ به سؤال دوم: مخاطبین دوره و پیش‏نیازهای لازم

یکی از ویژگی‏های مهم این دوره، که آن را از خیلی دوره‏های مشابه، متمایز ساخته، وجود حداقل پیش‏نیاز لازم برای شروع دوره می‏باشد. مشخصاً تنها پیش‏نیاز لازم، آشنایی با یک زبان برنامه نویسی شیء گرا (هر زبانی) و دارا بودن دانش کلی در رابطه با مفاهیمی مثل کلاس، شیء، ارث بری و... می‏باشد. در این دوره با زبان برنامه‏نویسی Python و کتابخانه‏هایی مانند Pytorch کار می‏کنیم اما تقریبا همه موارد مربوط به برنامه نویسی با این دو ابزار و ابزارهای فرعی دیگر، در خود دوره آموزش داده می‏شود و لذا، دانستن قبلی آنها، اجباری نیست. البته واضح است افرادی که با این نوع مفاهیم آشنا باشند می‏توانند با مطالب، سریع‏تر و بعضاً عمیق‏تر آشنا گردند.

ویژگی مهم دیگر این دوره، کاربردی بودن آن است. در ابتدای دوره، دو پروژه کاملا کاربردی و واقعی تعریف شده و در طول دوره، این دو پروژه از ابتدا تا انتها انجام می‏شوند. این امر، استفاده کننده از دوره را قادر می‏سازد تا در انتهای دوره، بتواند پروژه‏های مشابهی در حوزه بینایی ماشین را انجام دهد.

البته لازم به ذکر است این توجه اساسی به کاربرد، باعث نشده است که از بیان تئوری های لازم، غفلت شود و در موارد متعدد، این تئوری‏ها به نحو نسبتاً جامعی پوشش داده شده است.

وجود کمترین پیش‏نیازهای ممکن، منجر شده که مخاطبین این دوره، طیف وسیعی از دانشجویان و علاقمندان باشند. دانشجویان رشته‏های مهندسی و علوم کامپیوتر و همچنین فناوری اطلاعات (کارشناسی ترم 4 ام به بعد، کارشناسی ارشد و دکتری)، می‏توانند از این دوره به نحو بسیار مناسبی استفاده کنند. به علاوه دانشجویان رشته‏های دیگر فنی و علوم پایه که با موضوع برنامه نویسی شیء گرا آشنا هستند نیز می‏توانند از دوره بهره لازم را ببرند.

پاسخ به سؤال سوم: محتوای کلی دوره

برای طراحی یک سامانه بینایی ماشین، 5 مرحله آماده سازی داده (Data preparation)، طراحی مدل (Model design)، آموزش (Training)، ارزیابی (Evaluation) و بکارگیری (Deployment) می‏بایست انجام گردند. توضیح هر یک از این مراحل، در جلسه اول دوره انجام شده است و در اینجا بدان نمی‏پردازیم. در این دوره، دو پروژه عملیاتی ("تشخیص ارقام دست نویس" و "تشخیص چهره") تعریف شده و نحوه انجام این 5 مرحله، به تفصیل و به صورت کاملا کاربردی روی این دو، توضیح داده می‏شود. با توجه به آنکه امروزه تقریبا کلیه الگوریتم‏های مطرح در بینایی ماشین مبتنی بر شبکه‏های عصبی عمیق (Deep neural networks) یا DNNها هستند، روی طراحی سامانه‏های بینایی ماشین در این حوزه، تمرکز خواهد شد.

در انتهای دوره،  دو پروژه یادشده را به صورت کامل در اختیار خواهیم داشت. نکته مهم و قابل توجه آن است که در پپاده سازی‏های انجام شده نکاتی مفید در مورد برنامه نویسی بهینه (بخصوص از نظر زمان اجرا) بیان خواهد شد و این امر منجر شده که هر دو پروژه، زمان اجرای بسیار مناسب و سریعی داشته باشند و بتوانند در کاربردهای واقعی مورد استفاده قرار گیرند.

۱

موضوع و هدف دوره

1:20:31

۲

مقدمه: مراحل فراهم سازی داده

0:0

۳

فراهم سازی داده در پروژه HWR (قسمت اول: جمع آوری داده خام و برچسب زنی)

0:0

۴

نسخه ۱ برنامه مدیریت داده در پروژه HWR (قسمت اول)

0:0

۵

نسخه ۱ برنامه مدیریت داده در پروژه HWR (قسمت دوم)

0:0

۶

نسخه ۲ برنامه مدیریت داده در پروژه HWR

0:0

۷

نسخه ۳ برنامه مدیریت داده در پروژه HWR

0:0

۸

نسخه ۴ برنامه مدیریت داده در پروژه HWR

0:0

۹

نسخه ۵ برنامه مدیریت داده در پروژه HWR

0:0

۱۰

نسخه ۶ برنامه مدیریت داده در پروژه HWR (نسخه نهایی)

0:0

۱۱

برنامه مدیریت داده در پروژه FD (قسمت اول)

0:0

۱۲

برنامه مدیریت داده در پروژه FD (قسمت دوم)

0:0

۱۳

برنامه مدیریت داده در پروژه FD (قسمت سوم)

0:0

۱۴

مقدمه

0:0

۱۵

لایه کانولوشن

0:0

۱۶

لایه پادکانولوشن

0:0

۱۷

لایه فعال سازی- لایه کاملا متصل

0:0

۱۸

لایه های نرمال سازی (قسمت اول)

0:0

۱۹

لایه های نرمال سازی (قسمت دوم)

0:0

۲۰

لایه ادغام

0:0

۲۱

لایه گذر از اتصال

0:0

۲۲

طراحی یک شبکه عصبی عمیق در Pytorch از ابتدا

0:0

۲۳

طراحی یک شبکه عصبی عمیق در Pytorch با استفاده از یک شبکه از پیش آموزش دیده

0:0

۲۴

مقدمه

0:0

۲۵

تشکیل دسته داده

0:0

۲۶

در نظر گرفتن مدل

0:0

۲۷

تعریف تابع فقدان

0:0

۲۸

بهینه سازی (قسمت اول)

0:0

۲۹

بهینه سازی (قسمت دوم)

0:0

۳۰

چالش های آموزش شبکه های عصبی عمیق

0:0

۳۱

بصری سازی (ساخت داشبورد تعاملی)

0:0

۳۲

مقدمه

0:0

۳۳

معیارهای ارزیابی در مسائل دسته بندی

0:0

۳۴

معیارهای ارزیابی در مسائل رگرسیون

0:0

۳۵

مقدمه

0:0

۳۶

ساخت API

0:0

۳۷

داکرایز کردن

0:0

این دوره فاقد جزوه می‌باشد.
این دوره فاقد آزمون می‌باشد.
متاسفانه مدرکی یافت نشد.

دیدگاهتان را بنویسید

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