مبانی یادگیری عمیق و بینایی کامپیوتر ۲۰۲۰
Fundamentals of Deep Learning and Computer Vision 2020

**با گام‌هایی آسان، مفاهیم بینایی کامپیوتر را با استفاده از یادگیری عمیق بیاموزید.**

این کتاب با راه‌اندازی یک محیط مجازی پایتون با چارچوب یادگیری عمیق TensorFlow آغاز می‌شود و سپس مفاهیم اساسی TensorFlow را معرفی می‌کند. قبل از پرداختن به بینایی کامپیوتر، در مورد شبکه‌های عصبی و جنبه‌های مرتبط مانند توابع زیان، بهینه‌سازی گرادیان کاهشی، توابع فعال‌سازی و نحوه عملکرد پس انتشار برای آموزش پرسپترون‌های چندلایه خواهید آموخت.

برای درک نحوه استفاده از شبکه عصبی کانولوشن (CNN) برای مسائل بینایی کامپیوتر، باید در مورد عملکرد اساسی کانولوشن اطلاعات کسب کنید. شما خواهید آموخت که CNN چگونه با یک پرسپترون چندلایه متفاوت است، به همراه بحثی کامل در مورد بلوک‌های سازنده مختلف معماری CNN مانند اندازه کرنل، گام برداشتن، حاشیه‌نویسی و ادغام، و در نهایت نحوه ساخت یک مدل کوچک CNN را یاد خواهید گرفت.

در ادامه، در مورد معماری‌های محبوب CNN مانند AlexNet، VGGNet، Inception و ResNets همراه با الگوریتم‌های مختلف تشخیص اشیا مانند RCNN، SSD و YOLO اطلاعات کسب خواهید کرد. کتاب با فصلی در مورد مدل‌های ترتیبی به پایان می‌رسد، جایی که در مورد RNN، GRU و LSTM و معماری‌های آنها خواهید آموخت و کاربردهای آنها را در ترجمه ماشینی، شرح تصویر/فیلم و طبقه‌بندی ویدیو درک خواهید کرد.

**ویژگی‌های کلیدی**

* راه‌اندازی محیط پایتون و TensorFlow
* یادگیری مفاهیم اصلی Tensorflow با آخرین نسخه TF 2.0
* یادگیری یادگیری عمیق برای کاربردهای بینایی کامپیوتر
* درک مفاهیم و موارد استفاده مختلف بینایی کامپیوتر
* درک معماری‌های مختلف پیشرفته CNN
* ساخت شبکه‌های عصبی عمیق با یادگیری انتقالی با استفاده از ویژگی‌های مدل‌های CNN از پیش آموزش داده شده
* اعمال مفاهیم بینایی کامپیوتر با کد آسان در Jupyter Notebook

**چه چیزی یاد خواهید گرفت**

این کتاب به خوانندگان کمک می‌کند تا آخرین فناوری‌های یادگیری عمیق را در کاربردهای مختلف و جذاب بینایی کامپیوتر بدون هیچ دانش قبلی در مورد پردازش تصویر درک کرده و به کار ببرند. بنابراین، به کاربران کمک می‌کند تا مهارت‌های جدیدی را در زمینه بینایی کامپیوتر و یادگیری عمیق کسب کنند و راه‌حل‌هایی برای مشکلات واقعی مانند طبقه‌بندی تصویر و تشخیص اشیا ایجاد کنند. این کتاب به عنوان یک راهنمای اساسی برای همه مبتدیان برای تسلط بر یادگیری عمیق و بینایی کامپیوتر با توضیحات شفاف و شهودی با استفاده از مفاهیم اساسی ریاضیات خواهد بود. همچنین این مفاهیم را با چارچوب محبوب یادگیری عمیق TensorFlow بررسی می‌کند.

**این کتاب برای چه کسانی است**

این کتاب برای همه علاقه‌مندان و متخصصان علم داده است که قصد دارند مفاهیم بینایی کامپیوتر و کاربردهای آنها را با استفاده از یادگیری عمیق بیاموزند و در آن تسلط یابند. این کتاب فرض می‌کند که درک اولیه‌ای از پایتون با تجربه عملی وجود دارد. درک اساسی از ریاضیات در سطح دبیرستان به خواننده کمک می‌کند تا بهترین استفاده را از این کتاب ببرد.

**فهرست مطالب**

1. مقدمه‌ای بر TensorFlow
2. مقدمه‌ای بر شبکه‌های عصبی
3. شبکه عصبی کانولوشن
4. معماری‌های CNN
5. مدل‌های ترتیبی

Master Computer Vision concepts using Deep Learning with easy-to-follow steps

DESCRIPTIONÊ

This book starts with setting up a Python virtual environment with the deep learning framework TensorFlow and then introduces the fundamental concepts of TensorFlow. Before moving on to Computer Vision, you will learn about neural networks and related aspects such as loss functions, gradient descent optimization, activation functions and how backpropagation works for training multi-layer perceptrons.

To understand how the Convolutional Neural Network (CNN) is used for computer vision problems, you need to learn about the basic convolution operation. You will learn how CNN is different from a multi-layer perceptron along with a thorough discussion on the different building blocks of the CNN architecture such as kernel size, stride, padding, and pooling and finally learn how to build a small CNN model.Ê

Next, you will learn about different popular CNN architectures such as AlexNet, VGGNet, Inception, and ResNets along with different object detection algorithms such as RCNN, SSD, and YOLO. The book concludes with a chapter on sequential models where you will learn about RNN, GRU, and LSTMs and their architectures and understand their applications in machine translation, image/video captioning and video classification.

KEY FEATURESÊ

Setting up the Python and TensorFlow environment

Learn core Tensorflow concepts with the latest TF version 2.0

Learn Deep Learning for computer vision applicationsÊ

Understand different computer vision concepts and use-cases

Understand different state-of-the-art CNN architecturesÊ

Build deep neural networks with transfer Learning using features from pre-trained CNN models

Apply computer vision concepts with easy-to-follow code in Jupyter Notebook

WHAT WILL YOU LEARNÊ

This book will help the readers to understand and apply the latest Deep Learning technologies to different interesting computer vision applications without any prior domain knowledge of image processing. Thus, helping the users to acquire new skills specific to Computer Vision and Deep Learning and build solutions to real-life problems such as Image Classification and Object Detection. This book will serve as a basic guide for all the beginners to master Deep Learning and Computer Vision with lucid and intuitive explanations using basic mathematical concepts. It also explores these concepts with popular the deep learning framework TensorFlow.

WHO THIS BOOK IS FOR

This book is for all the Data Science enthusiasts and practitioners who intend to learn and master Computer Vision concepts and their applications using Deep Learning. This book assumes a basic Python understanding with hands-on experience. A basic senior secondary level understanding of Mathematics will help the reader to make the best out of this book.Ê

Table of Contents

1. Introduction to TensorFlow

2. Introduction to Neural NetworksÊ

3. Convolutional Neural NetworkÊÊ

4. CNN Architectures

5. Sequential Models