سپنتا کتاب اکسپرس
کتاب ارزیابی دقت مدل‌های تشخیص اشیاء با استفاده از معیارهای مبتنی بر همپوشانی (Intersection over Union) در PyTorch

کتاب ارزیابی دقت مدل‌های تشخیص اشیاء با استفاده از معیارهای مبتنی بر همپوشانی (Intersection over Union) در PyTorch

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی دقت مدل‌های تشخیص اشیاء با استفاده از معیارهای مبتنی بر همپوشانی (Intersection over Union) در PyTorch

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش تصویر و بینایی ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. یادگیری نظارت‌شده و بدون نظارت
  • 4. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 5. ساختارهای پایه شبکه‌های عصبی
  • 6. توابع فعال‌سازی در شبکه‌های عصبی
  • 7. بهینه‌سازی شبکه‌های عصبی
  • 8. پس‌انتشار خطا (Backpropagation)
  • 9. مقدمه‌ای بر یادگیری عمیق
  • 10. شبکه‌های عصبی کانولوشنی (CNN)
  • 11. کاربرد CNN در پردازش تصویر
  • 12. شبکه‌های عصبی بازگشتی (RNN)
  • 13. کاربرد RNN در پردازش توالی
  • 14. مقدمه‌ای بر پردازش تصویر
  • 15. مفاهیم پایه در پردازش تصویر
  • 16. فیلترها و عملیات مورفولوژیکی
  • 17. تشخیص لبه در تصاویر
  • 18. تمایز رنگ و ویژگی‌های تصویر
  • 19. استخراج ویژگی از تصاویر
  • 20. مقدمه‌ای بر بینایی ماشین
  • 21. کاربردهای بینایی ماشین
  • 22. تشخیص اشیاء در تصاویر
  • 23. شناسایی الگوها در تصاویر
  • 24. تکنیک‌های دسته‌بندی تصاویر
  • 25. مدل‌های تشخیص اشیاء
  • 26. مقدمه‌ای بر چارچوب‌های تشخیص اشیاء
  • 27. معیارهای ارزیابی مدل‌های یادگیری ماشین
  • 28. نیاز به ارزیابی دقیق مدل‌ها
  • 29. مفهوم همپوشانی (Overlap)
  • 30. مفهوم ناحیه مشترک (Intersection)
  • 31. مفهوم ناحیه اتحادیه (Union)
  • 32. تعریف Intersection Over Union (IoU)
  • 33. محاسبه IoU برای یک جعبه مرزی
  • 34. مثال ساده محاسبه IoU
  • 35. اهمیت IoU در تشخیص اشیاء
  • 36. IoU به عنوان معیار دقت
  • 37. محدودیت‌های IoU
  • 38. IoU در مقابل معیارهای دیگر
  • 39. مقدمه‌ای بر PyTorch
  • 40. مبانی PyTorch
  • 41. تنسورها در PyTorch
  • 42. عملیات تنسوری در PyTorch
  • 43. شبکه‌های عصبی با PyTorch
  • 44. آموزش مدل‌ها در PyTorch
  • 45. تابع هزینه (Loss Function)
  • 46. بهینه‌سازها (Optimizers)
  • 47. پیاده‌سازی CNN در PyTorch
  • 48. پیاده‌سازی شبکه‌های تشخیص اشیاء
  • 49. معماری‌های معروف تشخیص اشیاء
  • 50. Faster R-CNN
  • 51. YOLO (You Only Look Once)
  • 52. SSD (Single Shot MultiBox Detector)
  • 53. انتخاب معماری مناسب
  • 54. آماده‌سازی داده‌ها برای تشخیص اشیاء
  • 55. برچسب‌گذاری تصاویر (Annotation)
  • 56. فرمت‌های برچسب‌گذاری
  • 57. مجموعه داده‌های استاندارد
  • 58. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
  • 59. پیاده‌سازی محاسبه IoU در PyTorch
  • 60. تابع محاسبه IoU برای یک جفت جعبه
  • 61. مدیریت جعبه‌های مرزی (Bounding Boxes)
  • 62. تبدیل فرمت جعبه‌های مرزی
  • 63. محاسبه IoU برای چندین جعبه
  • 64. ارزیابی مدل با استفاده از IoU
  • 65. تنظیم آستانه IoU (IoU Threshold)
  • 66. محاسبه True Positives (TP)
  • 67. محاسبه False Positives (FP)
  • 68. محاسبه False Negatives (FN)
  • 69. محاسبه Precision
  • 70. محاسبه Recall
  • 71. محاسبه F1-Score
  • 72. مقدمه‌ای بر منحنی Precision-Recall
  • 73. رسم منحنی Precision-Recall
  • 74. محاسبه Area Under the Curve (AUC)
  • 75. AP (Average Precision)
  • 76. mAP (mean Average Precision)
  • 77. پیاده‌سازی محاسبه AP در PyTorch
  • 78. پیاده‌سازی محاسبه mAP در PyTorch
  • 79. تکنیک‌های افزایش دقت مدل
  • 80. تقویت داده‌ها (Data Augmentation)
  • 81. افزایش تنوع داده‌های آموزشی
  • 82. تکنیک‌های Augmentation برای تشخیص اشیاء
  • 83. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 84. استفاده از Grid Search
  • 85. استفاده از Random Search
  • 86. بهینه‌سازی معماری مدل
  • 87. استفاده از Transfer Learning
  • 88. بارگذاری وزن‌های از پیش آموزش‌دیده
  • 89. تنظیم دقیق مدل (Fine-tuning)
  • 90. مدیریت خطاهای رایج در تشخیص اشیاء
  • 91. جعبه‌های مرزی نادرست
  • 92. تشخیص اشیاء اشتباه
  • 93. عدم تشخیص اشیاء
  • 94. تحلیل نتایج ارزیابی
  • 95. گزارش‌دهی نتایج مدل
  • 96. نکات پیشرفته در ارزیابی
  • 97. IoU در سناریوهای پیچیده
  • 98. محدودیت‌های داده‌ای و مدل
  • 99. اخلاق در هوش مصنوعی و بینایی ماشین
  • 100. حریم خصوصی و داده‌های تصویری

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.