آنچه در این دوره تشخیص ارقام دستنویس با پایتون فرا میگیرید!

  • این دوره از شاخه‌های پردازش تصویر میباشد که در یادگیری عمیق یا Deep Learning یکی از شاخه‌های کار آمد به حساب می‌آید.
  • این دوره دید خوبی برای علاقه‌مندان این علم میدهد و پس از این دوره مخاطبان میتوانند آینده و مراحل بعدی خود را پیش‌بینی و مشخص کنند.

این دوره به شما آموزش می دهد که چگونه شبکه های عصبی کانولوشن ( ویکی پدیا ) بسازید و آن را در داده های تصویر بخصوص اعداد دست نوشت اعمال کنید. به لطف یادگیری عمیق ، بینایی رایانه بسیار بهتر از سالهای پیش کار می کند ، و این برنامه های مختلف مهیج از رانندگی خودکار ، تشخیص دقیق چهره ، خواندن خودکار تصاویر رادیولوژی را امکان پذیر می کند. و همچنین یاد میگیرید که با داده‌های سطری و ستونی چگونه کار کره و از آنها استخراج دانش ( داده کاوی ) کنید. و همینطور دید و سبک فکر در زمینه حل مسائل داده محور به شما میدهد.

معرفی پروژه پردازش تصویر

  • این دوره شامل ۲ پروژه هست که در فصل اول به دلیل مباحث مورد نظر یک پروژه متشکل از داده‌های سطری و ستونی میباشد.
  • در فصل دوم پروژه اصلی و مورد هدف که دیتا ستی از اعداد انگلیسی دست نوشت هست را مورد بررسی قرار میدهیم.

دوره برای چه کسانی مناسب است؟

تکنولوژی و نرم افزار های مورد نیاز

  • پایتون 3.5 به بالا

پیشنیاز های تشخیص ارقام دستنویس با پایتون

  • آشنایی با زبان برنامه نویسی پایتون
  • آشنایی کتابخانه های keras,numpy, pandas
  • آشنایی با یادگیری ماشین

سرفصل های آموزش دوره تشخیص اعداد دست نوشت

بخش اول :‌ Data preprocessing ( پیش پردازش روی داده ها‌ )

  • Data cleaning – تمیز کردن داده های کثیف
  • Data transformation – انتقال داده
  • Data reduction – کاهش داده

بخش دوم : Machine learning models ( مدل یادگیری ماشین )

  • Human brain architecture – ساختار ذهن انسان !
  • Training model component – اجزای مدل های یادگیری ماشین
  • Type of problems – انواع مساله
  • Dense nets – شبکه های دنس
  • Convolution model – مدل های شبکه های عصبی کانوولوشنی
  • NN training structure – ساختار شبکه های عصبی

بخش سوم : Evaluation models ( ارزیابی مدل )

  • Confusing matrix – ماتریس سردرگمی برای ارزیابی مدل
  • Charts – نمودار ها
  • Gain and lift chart
  • Roc Chart
  • Auc Chart

توضیحات بیشتر