معرفی دوره: استخراج ویژگی با یادگیری عمیق CNN در متلب MATLAB
یادگیری عمیق (Deep Learning) یکی از فناوریهای پیشرو در هوش مصنوعی (Artificial Intelligence) است که بهویژه در تحلیل دادههای تصویری و ویدیویی بسیار موفق عمل کرده است. شبکههای عصبی پیچشی (Convolutional Neural Networks – CNN) به دلیل توانایی بالا در یادگیری خودکار ویژگیها از دادههای خام، به عنوان پایهای برای موفقیت در بسیاری از وظایف بینایی کامپیوتر مانند طبقهبندی، شناسایی اشیا، و بخشبندی تصاویر شناخته میشوند.
این دوره با هدف آموزش نحوه استفاده از یادگیری عمیق برای استخراج ویژگیهای تصاویر و طبقهبندی آنها در محیط MATLAB طراحی شده است. شما با اصول یادگیری عمیق، معماریهای معروف CNN، نحوه بارگذاری دادهها، پیشپردازش، و استفاده از مدلهای آماده برای استخراج ویژگی (Feature Extraction) و طبقهبندی (Classification) آشنا خواهید شد.
سرفصلهای دوره:
بخش 1: مقدمهای بر یادگیری عمیق و CNN
- یادگیری عمیق چیست؟
- تعریف و اصول یادگیری عمیق.
- تفاوت با یادگیری ماشین سنتی.
- شبکههای عصبی پیچشی (CNN) و دلایل موفقیت آنها:
- ساختار معماری CNN (لایههای کانولوشن، Pooling، Fully Connected).
- مزایای CNN در استخراج ویژگیهای محلی و مقیاسپذیری.
- کاربردهای CNN در طبقهبندی تصاویر، شناسایی اشیا، و وظایف دیگر.
- مزایا و محدودیتهای CNN.
بخش 2: آمادهسازی محیط و الزامات فنی
- الزامات نرمافزاری:
- معرفی MATLAB و ابزار یادگیری عمیق آن (Deep Learning Toolbox).
- نحوه نصب مدلهای از پیش آموزشدیده (Pre-trained Models) از Add-On Explorer.
- الزامات سختافزاری:
- استفاده از پردازندههای گرافیکی (GPU) برای تسریع آموزش.
- نحوه تنظیم محیط MATLAB برای استفاده از GPU.
- مراحل کلی کار در MATLAB:
- بارگذاری دادهها.
- تقسیمبندی مجموعه دادهها (Train/Test Split).
- استفاده از مدلهای آماده برای استخراج ویژگی.
بخش 3: بارگذاری و تقسیمبندی دادهها
- بارگذاری دادهها:
- استفاده از مجموعههای داده پیشفرض مانند MerchData، DigitDataset و CIFAR-10.
- نحوه تعریف و استفاده از ImageDatastore برای مدیریت دادههای تصویری.
- تقسیمبندی دادهها:
- تقسیم مجموعه داده به مجموعههای آموزشی (Training) و آزمایشی (Testing).
- نکات مهم در تقسیمبندی برای جلوگیری از overfitting.
بخش 4: انتخاب و استفاده از معماریهای CNN معروف
- معماریهای پیشفرض:
- AlexNet
- GoogLeNet
- ResNet18
- ResNet50
- InceptionV3
- InceptionResNetV2
- ویژگیهای هر معماری:
- تعداد لایهها و پیچیدگی مدلها.
- موارد استفاده هر معماری برای دادههای مختلف.
- نحوه بارگذاری مدلها:
- استفاده از
alexnet،googlenet، و توابع مشابه در MATLAB. - تنظیم مدلها برای استخراج ویژگی بهجای یادگیری مجدد.
- استفاده از
بخش 5: استخراج ویژگیها با استفاده از CNN
- نحوه استخراج ویژگی:
- استفاده از لایههای میانی شبکه برای استخراج بردار ویژگی.
- آمادهسازی دادهها با Image Augmentation برای بهبود عملکرد مدل.
- ذخیره ویژگیها:
- تبدیل تصاویر به بردارهای ویژگی برای استفاده در طبقهبندیکنندهها.
بخش 6: آموزش طبقهبندیکنندهها
- طبقهبندیکنندههای استفادهشده:
- ماشین بردار پشتیبان (SVM).
- نزدیکترین همسایه (K-Nearest Neighbor – KNN).
- بیز ساده (Naïve Bayes – NB).
- درخت تصمیم (Decision Tree – DT).
- نحوه آموزش:
- تنظیم پارامترهای طبقهبندیکنندهها.
- استفاده از تکنیک K-Fold برای افزایش دقت مدلها.
بخش 7: ارزیابی مدلها
- ارزیابی عملکرد مدلها:
- استفاده از دادههای آموزشی و آزمایشی برای پیشبینی.
- نمایش نتایج با ماتریس سردرگمی (Confusion Matrix).
- تحلیل منحنیهای ROC و محاسبه معیار AUC.
- معیارهای ارزیابی:
- دقت (Accuracy).
- فراخوان (Recall).
- دقت پیشبینی (Precision).
- امتیاز F1.
ویژگیهای دوره:
- تمرکز عملی: شامل کدنویسی کامل در MATLAB با توضیحات گامبهگام.
- انعطافپذیری: پوشش انواع معماریهای CNN و طبقهبندیکنندهها.
- مناسب برای: دانشجویان، پژوهشگران و متخصصانی که علاقهمند به یادگیری عمیق و کاربردهای آن هستند.
مدرس: حسن سعادتمند
- بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
- بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
- چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
- مدرس فرادرس
- کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا
برای اطلاعات بیشتر، میتوانید با مدرس دوره تماس بگیرید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.