آموزش معماری شبکه های عصبی کانولوشنی

لطفا برای دریافت جزییات بیشتر درباره ی مطالب کارگاه کلیک کنید.

 

عمل کانولوشن (پیچش) وقتی ورودی دارای چند کانال است چطور انجام می شود؟

این مقاله آموزشی در اینجا قرار دارد.

منتخبی از تقلب نامه های مفید در علم داده

بسمه‌تعالی

تقلب نامه ها یا cheatsheet‌ها‌ مطالب مهم یک موضوع را به صورت اجمالی بیان می کنند و منبع خوبی برای مطالعه و ارجاع هستند. دراینجا منتخبی از آن‌ها را قرار می‌دهم.

مقدمه‌ای بر سیستم بینایی و تصاویر OCT شبکیه چشم

بسمه‌تعالی

محتوای این مقاله آموزشی با معرفی کوتاه سیستم بینایی، چشم و شبکیه آغاز می‌شود. سپس اصول کار تصویربرداری OCT به‌صورت ساده‌شده بیان‌ می‌شود. و در انتها محتوای تصاویر OCT و لایه‌های چشم معرفی می‌شود.

راهنمای عملیات های ساده پردازش تصویر در پایتون

بسمه تعالی

عملیات هایی مانند خواندن تصویر، نمایش، ذخیره، تغییر سایز و تغییر فضای رنگی اغلب در کارهای پردازش تصویری مورد استفاده هستند. در پایتون بدلیل وجود کتابخانه های مختلف (matplotlib، PIL و CV2)، راه های مختلفی برای انجام آنها وجود دارد. هدف این راهنما مروری مختصری بر این مطالب است. راهنما در قالب یک فایل ژوپیتر نوت بوک است. 

آموزش عملی جعبه ابزار ویولت متلب

بسمه تعالی

تبدیل ویولت یکی از ابزارهای قدرتمند در پردازش انواع سیگنال ها است که امکان پردازش چند رزولوشنی را فراهم می کند. در اینجا هدف ما بیشتر نشان دادن نحوه استفاده از این ابزار قدرتمند با مثال های بسیار ساده برای پردازش تصاویر در متلب است. فرض بر آن است که خواننده محترم با مبانی تئوری تبدیل ویولت آشنایی مقدماتی دارد. 

مقاله آموزشی در سایت medium.com با عنوان زیر قرار دارد:

 

Wavelet Toolbox in MATLAB — Part 1

مقایسه روشهای سریع آشکارسازی شی روی دیتاست PASCAL VOC

در این مقاله نتیجه معیاردقت (mAP) و سرعت (برحسب تعداد فریم بر ثانیه) برای تعدادی از سریع ترین و دقیق ترین روشهای آشکارسازی شی گردآوری شده است. 

این مقاله یک پست در سایت medium.com با عنوان زیر است:

Comparison of Fast Deep Learning based Object Detectors

 

آموزش نصب پایتون، تنسورفلو و PyCharm در ویندوز

بسمه تعالی

این مقاله یک راهنمای سریع و آسان برای نصب پایتون، تنسورفلو و PyCharm در محیط ویندوز است. (مقاله روی سایت medium.com قراردارد)

معیار mean Average Precision برای ارزیابی روشهای object detection

بسمه تعالی

یکی از مهم ترین گام ها پس از طراحی یک سیستم مبتنی بر روشهای یادگیری ماشین، ارزیابی خروجی های آن روی مجموعه داده های دیده نشده (hold out) یا آزمایشی (test set) است. مثلا برای ارزیابی روشهای دسته بندی (classification) معمولا مقدار معیارهایی مانند Accuracy و Precision گزارش می شود.

برای ارزیابی دقت (accuracy) روشهای object detection مهم ترین معیار mean Average Precision (mAP) است. این معیار بطور گسترده درمقاله های پژوهشی و مسابقاتی مانند PASCAL VOC،ImageNet و COCO بکار می رود.  اگر گمان می کنید برای محاسبه ی AP می توانید همانند مساله ی دسته بندی چند مرتبه معیار Precision را حساب کنید (مثلا با تغییر مقدار آستانه ی روش) و سپس میانگین بگیرید، بهتر است این مقاله را مطالعه کنید.

راهنمای Google Colab و استفاده از GPU رایگان

امروزه استفاده از GPU برای تسریع محاسبات (بخصوص در یادگیری عمیق) امری رایج است. اما کاربران اغلب با دو مشکل مواجه هستند. یکی اینکه هزینه ی تهیه ی یک سیستم با GPU مناسب در حال حاضر زیاد است. دوم اینکه راه اندازی سیستم (شامل پیکربندی و نصب پکیج ها) بسیار زمانبر است. بنابراین شرکت های مختلفی در سطح جهان شروع به ارایه ی سرویس های ابری به خصوص در زمینه ی تسهیل در استفاده از ابزارهای یادگیری عمیق کرده اند. برخی از این سرویس دهنده ها عبارتند از: