خرید دوره تخصصی بازشناسی چهره عمیق با Tensorflow/Keras

مجموعه‌ی دانش‌بنیان شناسا، فعال در حوزه ی هوش مصنوعی، بینایی ماشین و یادگیری عمیق به عنوان حامی چالش فیس‌کاپ دوره ی تخصصی بازشناسی چهره عمیق را برگزار کرده و حالا فیلم های مجدد ضبط شده و تدوین شده ی آن حالا در اختیار عموم قرار گرفته است.

پیش‌نیاز دوره
  • آشنایی با مفاهیم پایه شبکه عصبی
  • آشنایی با شبکه های کانولوشنالی
  • توانایی پیاده سازی شبکه های عصبی عمیق در فریم‌ورک keras / Tensorflow

می‌توانید برای تسلط به مفاهیم پایه از دوره مقدماتی سایت استفاده کنید.

جهت آشنایی بیشتر با این دوره آفلاین و همچنین مشاهده نجوه تدریس و ارائه مطالب،  می‌توانید از کانال آپارات، ۱۲ قسمت ابتدایی دوره را به صورت رایگان مشاهده فرمایید و با نظرات سازنده خود ما را در برگزاری و تولید دوره‌های تخصصی یادگیری عمیق، یاری بفرمایید.

سرفصل های دوره

۱ – معرفی دوره
Introduction to the course

۲ – کاربردها و نمونه‌های بازشناسی چهره
Applications and examples of face recognition

۳ – مراحل در روند تشخیص چهره
Steps in the facial recognition process

۴ – بازشناسی چهره و پروتکل‌های ارزیابی
Face recognition and evaluation protocols

۵ – مجموعه داده های محدود شده و بدون محدودیت
Constrained and unconstrained datasets

۶ – دیتاست‌های ارزیابی بازشناسی چهره
Evaluation datasets

۷ – دیتاست‌های آموزش بازشناسی چهره
Train datasets

۸ – یادگیری یک مرحله‌ای (one-shot) و چند مرحله‌ای (few-shot)
One-Shot Learning and few-shot learning

۹ – شبکه‌های عصبی سایامیس
Siamese neural networks

۱۰ و ۱۱ و ۱۲ – پیاده سازی شبکه‌های سایامیس (قسمت ۱ و ۲ و ۳)
Implementation of Siamese networks

۱۳ – سایر کاربردهای شبکه های سایامیس
Other uses of Siamese networks

۱۴ – تابع زیان تریپلت
Triplet loss

۱۵ – پیاده سازی تابع زیان تریپلت در تنسرفلو/کراس
Implementation of Triplet Loss in Tensorflow / Keras

۱۶ – بصری سازی لایه‌ی بازنمایی
Visualization of representation layer

۱۷ – خلاصه تابع زیان تریپلت
Summary of Triplet loss

۱۸ – ویژگی های افتراقی و ویژگی های قابل تفکیک جداپذیر
Discriminative features and separable features

۱۹ – تابع Center Loss
Center loss function

۲۰ – پیاده سازی Center Loss در تنسرفلو/کراس
Implementation of Center loss in Tensorflow / Keras

۲۱ – خلاصه Center Loss
Summary of Center Loss

۲۲ – تابع زیان SphereFace
SphereFace loss function

۲۳ – تابع زیان AMSoftMax
AMSoftMax loss function

۲۴- تابع زیان ArcFace
ArcFace loss function

۲۵- مقاله‌ی AdaptiveFace
AdaptiveFace paper

۲۶ – توسعه بازشناسی چهره
Development of face recognition

۲۷ – برخی از پیاده سازی های رایج
Some common implementations

۲۸ – پیاده سازی Face Recognation در کراس
Implement of Face Recognition in Keras

۲۹ – شناسایی چهره
Face Detection

۳۰ – متریک‌های شناسایی چهره
Face detection metrics

۳۱ – چالش‌های شناسایی چهره
Face detection challanges

۳۲ – الگوریتم ویولا-جونز
Viola–Jones algorithm

۳۳ – الگوریتم شناسایی چهره‌ی MTCNN
MTCNN face detection algorithm

۳۴ – پیاده سازی MTCNN
Implement of MTCNN

۳۵ – پیاده سازی بازشناسی چهره
Implement of face recognition

۳۶ – تراز چهره با دو چشم
Face Alignment with two eyes

۳۷ – تراز چهره با پنج نقطه نشانه‌های چهره
Face Alignment with 5 face landmarks

۳۸ – ترفندهای افزایش دقت در زمان تست
Tricks to increase accuracy during testing

۳۹ – روش‌های افزایش دقت در زمان آموزش
Tricks to increase accuracy during training

۴۰ – جمع‌بندی دوره
Course Wrap-Up

در صورت هرگونه مشکل در دانلود فایلها با ادمین تماس بگیرید.

@cvision_support (در تلگرام)

کدها در آدرس:

http://github.com/alireza-akhavan/deep-face-recognition

اسلایدها در آدرس:

https://docs.google.com/presentation/d/10xwd5wik8xrSB_Eh2Pb213tf9RhITt5IyTrwP8htYm0/edit?usp=sharing

مدرس دوره

علیرضا اخوان پور، مدیر فنی مجموعه دانش بنیان شناسا، فعال در ارائه سرویس های هوش مصنوعی و توسعه نرم افزارهای مبتنی بر هوش مصنوعی و بینایی ماشین. مدرس دانشگاه شهید رجایی و منتور در شتاب دهنده هوش مصنوعی همتک. مدرس هوش مصنوعی و یادگیری عمیق با ۴ سال سابقه تدریس در موسسه ها و دانشگاههای برتر نظیر سابقه ارائه کارگاههای آموزشی در دانشگاه امیر کبیر، شریف، یازدهمین کنفرانس ملی و اولین کنفرانس بین المللی بینایی ماشین و پردازش تصویر ایران، صندوق نوآوری شکوفایی و سابقه تدریس دوره های آزاد آموزشی در جهاد دانشگاه شریف و دانشگاه تهران.

۴,۳۰۰,۰۰۰ ریال – خرید