دوره آموزشی Machine vision specialist (متخصص بینایی ماشین)

دوره آموزشی: Machine vision specialist (متخصص بینایی ماشین)

ساعت آموزشی مورد نیاز: 60 ساعت

مدرس: علیرضا اخوان پور

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

هدف برگزاری: 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)

پیش‌نیاز: 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

شرح سرفصل‌ها:

• 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 / 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