نسخه آزمایشی
۱۳۱ بازدید
  • طراحی GUI با استفاده از کتابخانه PYQT
  • پردازش تصویر در هوش مصنوعی با استفاده از کتابخانه opencv
  • آشنایی با یادگیری ماشین
  • آشنایی با محیط google colab و jupyternotebook
  • نحوه پردارش  و آماده سازی داده ها
  • آشنایی با انواع نمودارها و رسم آنها با استفاده از matplotlib
  • کار با کتابخانه pandas , numpy
  • کار با کتابخانه scikit learn
  • آشنایی با الگوریتمهای هوش مصنوعی مانند:
  • linear regression
  • logistic regression
  • svm
  • decision tree و رسم آن
  • pca
  • kfold cross validation, train-test
  • knn
  • آشنایی با شبکه های عصبی و mlp و آشنایی با backpropagation
  • کار با کتابخانه pytorch
  • kmeans clustering
  • کار با داده های تصویری و نحوه آماده سازی و دخیره سازی و لود آنها در برنامه
  • آشنایی با آنواع متریک های ارزیابی مدل
  • انجام پروژه نهایی
  • Deep learning:
  • آشنایی با مقدمات
  • آشنایی با شیکه های کانولوشنی
  • آشنایی با نحوه transformation  داده ها
  • نحوه آموزش و تست شبکه
  • توضیحاتی در رابطه با شبکه های autoencoder,vgg16,inception,vgg16 pretrained,resnet
بالا