دوره آموزشی Machine vision specialist متخصص بینایی ماشین

دوره آموزشی متخصص بینایی ماشین (Machine vision specialist)

ساعت آموزشی مورد نیاز

60 ساعت

مدرس

علیرضا اخوان پور

مخاطبین دوره

دانشجویان و فارغ‌التحصیلان رشته‌های فناوری‌اطلاعات، کلیه گرایش‌های مهندسی برق، مهندسین صنایع، و کلیه علاقه‌مندان به حوزه هوش‌مصنوعی و بینایی ماشین

هدف برگزاری دوره

آموزش مهارت‌های مورد نیاز برای توانمندسازی افراد در جهت انجام وظایف شغلی متخصص و توسعه دهنده بینایی ماشین مبتنی بر الگوریتم یادگیری عمیق (Deep Learning)

پیش‌نیازها

• Python
• Numpy
• OpenCV

فضای شغلی پس از گذراندن دوره

افرادی که به مباحث بینایی ماشین مسلط هستند به دلیل توانایی در تحلیل و درک تصاویر و ویدیوها، طیف وسیعی از فرصت‌های شغلی را پیش رو دارند از آن جمله میتوان به موارد ذیل اشاره نمود:

• پزشکی

• تحلیل تصاویر پزشکی برای تشخیص بیماری‌‌ها
• توسعه سیستم‌های جراحی رباتیک
• استفاده از تصاویر عادی برای تشخیص برخی از بیماری‌ها مانند تشخیص سرطان پوست با استفاده از عکس‌های گرفته شده با موبایل

• صنعت خودروسازی

• توسعه سیستم‌های خودران و کمک راننده
• تشخیص عابرپیاده
• تشخیص علائم رانندگی
• کنترل کیفیت ساخت خودرو

• رباتیک

• توسعه ربات‌های بینا برای انجام مونتاژ قطعات، بسته‌بندی، حمل قطعات و…

• امنیت

• توسعه سیستم‌های نظارت تصویری
• تشخیص چهره
• تشخیص اشیاء
• ردیابی افراد و خودروها

• صنعت بازی‌های رایانه‌ای

• توسعه بازی‌های واقعیت مجازی (VR)
• طراحی شخصیت‌های بازی
• طراحی فضاهای محیطی در مراحل بازی

• صنعت هوافضا

• تحلیل تصاویر ماهواره‌ای
• توسعه سیستم‌های ناوبری بصری برای پهپادها و هواپیماها

• کشاورزی

• ایجاد سیستم‌های هوشمند برای نظارت بر مزارع
• تشخیص بیماریهای گیاهی
• کنترل آفات

• خرده فروشی

• ایجاد سیستم‌های پرداخت بیومتریک
• تحلیل رفتار مشتریان
• شخصی سازی تبلیغات

سرفصل‌های دوره

• مقدمه

• تعریف علم داده (Data Science)
• هوش مصنوعی (Artificial Intelligence)
• یادگیری ماشین (Machine Learning)
• یادگیری عمیق (Deep Learning)
• الگوریتم های بدون سرپرست و نظارت شده
• آشنایی با الگوریتم های رگرسیون و طبقه بندی
• تصویر به عنوان داده
• الگوریتم نزدیک ترین همسایه
• استفاده از کتابخانه scikit-learn در پایتون و مثال طبقه بندی اعداد فارسی

• شبکه عصبی

• پرسپترون و نورون
• تابع فعالیت
• تابع هزینه و خطا
• شبکه عصبی چند لایه
• بهینه سازی شبکه عصبی
• پیاده سازی در فریم ورک تنسرفلو
• پیاده سازی در فریم ورک تنسرفلو به کمک کراس

• شبکه های عصبی عمیق

• شبکه های عصبی کانولوشنالی
• انتقال یادگیری (Transfer learning)
• تکنیک Dropout
• افزونگی داده

• طبقه بندی تصویر با شبکه های عصبی کانولوشنالی

• مفاهیم پایه شبکه عصبی کانولوشنالی
• طبقه بندی اعداد
• طبقه بندی چالش 2013 گربه /سگ
• طبقه بندی تصاویر جمع آوری شده توسط دانشجو

• بررسی شبکه های کانولوشنالی معروف

• Alexnet
• ZFNet
• VGG
• Inception
• Resnet

• ترنسفرلرنینگ و fine-tuning

• بررسی 3 روش مختلف برای transfer learning و پیاده سازی حداقل 2 مثال

• رگرسیون

• رگرسیون قیمت خانه از روی داده ها تصویری
• رگرسیون قیمت خانه از روی داده های ساختاریافته
• پیش بینی مصرف سوخت ماشین

• Functional API

• مفاهیم پایه ی functional API
• بررسی مدلهای دارای چند ورودی و چند خروجی
• تخمین قیمت خانه از روی داده های تصویری+ساختار یافته با functional API
• مثال Object Localization

• استفاده از مدلهای معروف از قبل آموزش داده شده

• Object detection
• Pose estimation
• Face recognition & detection