کتاب تشخیص اشیاء (Object Detection) با CNN
, ,

کتاب تشخیص اشیاء (Object Detection) با CNN

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000015958 دسته: , , برچسب: , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تشخیص اشیاء (Object Detection) با CNN

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر یادگیری عمیق
  • 2. مقدمه‌ای بر تشخیص اشیاء
  • 3. کاربردها و اهمیت تشخیص اشیاء
  • 4. نیاز به یادگیری عمیق در تشخیص اشیاء
  • 5. آشنایی با شبکه‌های عصبی کانولوشنال (CNN)
  • 6. مبانی شبکه‌های عصبی
  • 7. سلول‌های عصبی مصنوعی (Perceptrons)
  • 8. توابع فعال‌سازی (Activation Functions)
  • 9. لایه‌های کانولوشن (Convolutional Layers)
  • 10. فیلترها و کرنل‌ها (Filters and Kernels)
  • 11. عملکرد لایه کانولوشن
  • 12. لایه‌های Pooling (Subsampling Layers)
  • 13. انواع لایه‌های Pooling
  • 14. عملکرد لایه‌های Pooling
  • 15. لایه‌های Fully Connected (Dense Layers)
  • 16. آموزش شبکه‌های عصبی
  • 17. تابع هزینه (Loss Function)
  • 18. بهینه‌سازها (Optimizers)
  • 19. گرادیان کاهشی (Gradient Descent)
  • 20. پس‌انتشار (Backpropagation)
  • 21. مجموعه داده‌ها در یادگیری عمیق
  • 22. فرمت داده‌ها (Images)
  • 23. پیش‌پردازش داده‌ها (Data Preprocessing)
  • 24. تقسیم داده‌ها (Data Splitting)
  • 25. افزایش داده‌ها (Data Augmentation)
  • 26. معماری‌های اولیه CNN
  • 27. LeNet-5
  • 28. AlexNet
  • 29. VGGNet
  • 30. GoogLeNet (Inception)
  • 31. ResNet
  • 32. مفاهیم اساسی در تشخیص اشیاء
  • 33. جعبه احاطه‌کننده (Bounding Box)
  • 34. برچسب‌گذاری (Labeling)
  • 35. دقت (Precision)
  • 36. بازیابی (Recall)
  • 37. امتیاز F1 (F1-Score)
  • 38. متریک‌های ارزیابی در تشخیص اشیاء
  • 39. میانگین دقت میانگین (mAP – mean Average Precision)
  • 40. IoU (Intersection over Union)
  • 41. تکنیک‌های پایه تشخیص اشیاء
  • 42. روش‌های مبتنی بر جستجو (Sliding Window)
  • 43. نقاط کلیدی (Keypoints)
  • 44. ویژگی‌های محلی (Local Features)
  • 45. معرفی روش‌های تشخیص اشیاء مبتنی بر یادگیری عمیق
  • 46. نیاز به رویکردهای جدید
  • 47. طبقه‌بندی روش‌های تشخیص اشیاء
  • 48. روش‌های دو مرحله‌ای (Two-Stage Detectors)
  • 49. روش‌های تک مرحله‌ای (One-Stage Detectors)
  • 50. معماری‌های دو مرحله‌ای
  • 51. Region Proposal Networks (RPN)
  • 52. Faster R-CNN
  • 53. Mask R-CNN
  • 54. مزایا و معایب روش‌های دو مرحله‌ای
  • 55. معماری‌های تک مرحله‌ای
  • 56. YOLO (You Only Look Once) – نسخه‌های اولیه
  • 57. SSD (Single Shot MultiBox Detector)
  • 58. RetinaNet
  • 59. مزایا و معایب روش‌های تک مرحله‌ای
  • 60. جزئیات معماری YOLO (نسخه اول)
  • 61. تقسیم تصویر به گرید (Grid)
  • 62. پیش‌بینی جعبه احاطه‌کننده و احتمال کلاس
  • 63. شبکه YOLOv2 (YOLO9000)
  • 64. افزایش دقت و سرعت
  • 65. Batch Normalization
  • 66. Anchor Boxes
  • 67. شبکه YOLOv3
  • 68. بهبود در شبکه‌سازی و دقت
  • 69. Multi-scale prediction
  • 70. Deeper backbone
  • 71. شبکه YOLOv4
  • 72. ترکیب بهینه‌سازها و افزونه‌های جدید
  • 73. Bag of Freebies (BoF)
  • 74. Bag of Specials (BoS)
  • 75. شبکه YOLOv5
  • 76. تغییرات در معماری و پیاده‌سازی
  • 77. استفاده از PyTorch
  • 78. سایر معماری‌های YOLO (YOLOv6, YOLOv7, …)
  • 79. معرفی SSD
  • 80. پیش‌بینی جعبه احاطه‌کننده در لایه‌های مختلف
  • 81. Anchor boxes در SSD
  • 82. مزایا و معایب SSD
  • 83. معرفی RetinaNet
  • 84. مشکل عدم توازن کلاس‌ها (Class Imbalance)
  • 85. Focal Loss
  • 86. پیاده‌سازی Focal Loss
  • 87. مزایا و معایب RetinaNet
  • 88. شناسایی اشیاء با دقت بالا
  • 89. Objectness Score
  • 90. Non-Maximum Suppression (NMS)
  • 91. کاربرد NMS در حذف جعبه‌های اضافی
  • 92. تنظیم پارامترهای NMS
  • 93. آموزش مدل‌های تشخیص اشیاء
  • 94. انتخاب معماری مناسب
  • 95. تنظیم هایپرپارامترها (Hyperparameters)
  • 96. نرخ یادگیری (Learning Rate)
  • 97. اندازه بچ (Batch Size)
  • 98. تنظیمات بهینه‌ساز
  • 99. استفاده از روش‌های Regularization
  • 100. Dropout

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب تشخیص اشیاء (Object Detection) با CNN”

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

محصولات مشابه

پیمایش به بالا