۱۴۰۰/۸

دوره توربو ویژن - 1400

دانشمندان علوم کامپیوتر و متخصصان هوش مصنوعی طی دهه‌‌های گذشته همواره مجذوب فناوری‌‌هایی بوده‌‌اند که ساخت ماشین‌‌های هوشمندی که عملکرد مغز انسان را تقلید می‌‌کنند، به مدد آن‌‌ها امکان‌پذیر شده است. حالا رویای دستیابی به اَبَرانسان‌‌های هوشمندی که وظایف بشر را بی‌‌خلل و با دقتی بی‌‌پایان به انجام می‌رسانند، در مسیر تازه‌ای در حال تحقق است!

تلاش‌‌های مهندسان در دوران مدرن، در حقیقت ادامه مسیر پرفراز و نشیبی است که جرقه‌‌های آن در کنفرانس دارتموث (اولین پروژه تحقیقاتی در حوزه هوش مصنوعی) زده شد. اکنون این شروع، به ایجاد حوزه‌‌های تخصصی هوش مصنوعی انجامیده که هر یک به نوعی متحول‌کننده دنیای امروز ماست: یادگیری ماشینی، شبکه‌‌های عصبی عمیق، یادگیری عمیق، تجزیه و تحلیل معنایی، تشخیص اشیاء و دیگر حوزه‌ها.

این جریان توسعه فناوری هوش مصنوعی همچنان ادامه دارد و اصلی‌‌ترین موتور پیشران آن، آموزش پیوسته و تخصصی نیروهای خبره و حمایت از مستعدان و علاقه‌مندان این فناوری است. متخصصان هوش مصنوعی که بر اساس آخرین دستاوردهای این حوزه آموزش‌‌های تئوری و عملی را پشت سر می‌‌گذارند، در نهایت به بدنه کسب‌وکارها، سازمان‌ها، موسسات آموزشی و مراکز تحقیقاتی جذب می‌‌شوند، تا ادامه‌دهنده این جریان توسعه باشند و در تحقق رویای ابرانسان‌‌های هوشمند گام بردارند.

کالج تخصصی هوش مصنوعی پارت نیز برای توسعه فناوری هوش مصنوعی و حمایت و آموزش علاقه‌مندان این دانش، همچون هر سال، دوره‌‌های تخصصی هوش مصنوعی را در برنامه آموزشی زمستان امسال در نظر گرفته است، تا با تکیه بر تجربیات و دانش استادان خبره، آموزش علاقه‌مندان این دانش و پیاده‌سازی هوش مصنوعی در سطح کلان را که از اهداف بنیادین خود می‌داند، محقق کند. از همین رو، دوره‌‌ آموزشی را تحت عنوان «توربو ویژن» برای زمستان پیش رو تا پایان سال 1400 برنامه‌ریزی کرده است.

امسال در کالج تخصصی هوش مصنوعی پارت، شاهد تخصصی‌‌ترین دوره بینایی ماشین در سطح کشور خواهیم بود. کلاس‌‌های آموزشی به صورت حضوری و غیرحضوری و با رویکرد عملی و کارگاه ی ارائه می‌‌شوند. پس از هر مرحله آموزش تئوری، انجام فعالیت‌‌های عملی با راهنمایی و همراهی منتورها، به صورت هفتگی در برنامه آموزش خواهد بود. کارگاه ‌های عملی که بخشی جدایی‌ناپذیر از برنامه آموزشی هر مبحث است، به دانش‌اندوزان کمک می‌کند تا یافته‌های علمی خود را به بوته آزمایش گذارند و راهکارهای خلاقانه خود را به‌صورت عملی بهبود بخشند.

کالج تخصصی هوش مصنوعی پارت همراه با حمایت معنوی مرکز همکاری‌های تحول و پیشرفت نهاد ریاست جمهوری، ستاد توسعه فناوری‌های اقتصاد دیجیتال هوشمندسازی معاونت علمی و فناوری ریاست جمهوری، دانشگاه علم و صنعت ایران، دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، مرکز توسعه مهارت‌های اقتصاد دیجیتال (ماد)، مرکز تحقیقات هوش مصنوعی پارت، پارک علم و فناوری پردیس و کارخانه نوآوری آزادی، با افتخار در کنار شما ایستاده است.

اگر خود را از علاقه‌مندان تکنولوژی هوش مصنوعی می‌‌دانید و دغدغه رشد و آموزش سریع و پیشرفته در این حوزه دارید، کالج هوش مصنوعی پارت بهترین مسیر پیش روی شما خواهد بود، تا رویاهای خود را به واقعیت تبدیل کنید.

سرفصلزیرفصلتاریخساعتارایه دهندهعنوان
معرفی پایتونمقدمات پایتون (انواع داده، شرط ها و حلقه ها، تعریف کلاس ها و توابع)1400/09/189:00
الی 13:15
مهندس رضا آخوندزادهمحقق هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت
نصب محیط مجازی پایتون با استفاده از آناکوندا
استفاده از Jupyter notebook
معرفی کتابخانه Numpyمعرفی توابع مفید در Numpy
توابع Cast و Reshape
معرفی Indexing and Slicing در Numpy
مفاهیم یادگیری‌ ماشینیادگیری ماشین چیست؟1400/09/199:00
الی 13:15
یادگیری عمیق چیست؟
دسته‌بندی مسائل مختلف یادگیری ماشین (4 دسته اصلی + 2 دسته فرعی)
یادگیری با سرپرست ها (ویژگی ها و برچسب های داده ها)
مفاهیم یادگیری عمیقمراحل یادگیری عمیق
Overfitting and Underfitting
مفاهیم شبکه عصبی
معرفی TensorFlow2 و Keras و حل مسالهحل یک مساله Classification با استفاده از Keras و شبکه‌های عصبی1400/09/259:00
الی 13:15
حل یک مساله Regression با استفاده از Keras و شبکه‌های عصبی
کارگاه شماره 1حل تعدادی مساله الگوریتمی ساده با استفاده از زبان Python1400/09/269:00
الی 13:15
حل تعدادی محاسبات و مسائل با استفاده از Numpy
حل یک مساله Classification با استفاده از TensorFlow
حل یک مساله Regression با استفاده از TensorFlow
شبکه‌های عصبی کانولوشنی یا همان CNN هالایه کانولوشن Convolution1400/10/029:00
الی 13:15
لایه پولینگ Pooling
Batch Normalization Layer
Reshape or Global Average Pooling
حل یک مساله دسته‌بندی تصاویر با استفاده از CNN ها
شبکه‌های CNN معروف (Backbone ها) و یادگیری انتقالی یا همان Transfer Learningنگاه اجمالی به CNN های معروف یا همان Backbone ها1400/10/039:00
الی 13:15
یادگیری انتقالی چیست و چه کاربردهایی دارد؟
چگونگی Fine-Tune کردن یک شبکه در Keras
حل یک مساله دسته‌بندی تصاویر با استفاده از یادگیری انتقالی
نگاه تکمیلی به جرئیات Backbone های معروف مثل Resnet و Mobilenet
کارگاه شماره 2حل یک مساله Classification روی دیتاهای دنیای واقعی با Custom CNN Model1400/10/109:00
الی 13:15
حل یک مساله دنیای واقعی با استفاده از Transfer Learning و Backbone های معروف
تمرین‌های خاص برای ساختن مدل‌های مختلف به صورت Custom
سرفصلزیرفصلتاریخساعتارایه دهندهعنوان
معرفی پردازش تصویرکاربردهای پردازش تصویر1400/10/169:00
الی 13:15
مهندس رامین رحیمی - مهندس محمدعلی مجیدیمحقق هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت
opencv چیست
نصب OpenCV
عملگرهای مقدماتی روی تصویردسترسی و تغییر مقادیر پیکسل
ویژگی های تصویر
ROI تصویر
شکستن و ادغام کانال های تصویر
نوشتن متن و رسم اشکال هندسی روی تصویر---
تغییر فضای رنگی RGB
HSV
YcbCr
تغییر سایز تصویرINTER_NEAREST
INTER_LINEAR
INTER_CUBIC
خواندن و ذخیره کردن فریم های ویدئو ---
روشهای مختلف باینری کردن تصویر حدآستانه ثابت1400/10/179:00
الی 13:15
حد آستانه وفقی
Otsu
تبدیلات مورفولوژی---
هموار کردن تصویر ---
هیستوگرام تصویر---
همسان سازی هیستوگرامCLAHE
تبدیلات هندسی روی تصاویرچرخش تصویر
انتقال تصویر
تبدیل Affine
تبدیل Perspective
تشخیص حفره (blob) و کانتور بدست آوردن ویژگی های کانتور ( مساحت زاویه و……)1400/10/239:00
الی 13:15
گرادیان تصویرتشخیص لبه Canny
تشخیص لبه sobel
تطبیق الگو ---
هرم تصاویر---
تبدیل هاگ تشخیص خط
تشخیص دایره
روش های استخراج و توصیف ویژگی بررسی مقاله sift1400/10/249:00
الی 13:15
بررسی مقاله surf
روش های تطبیق ویژگیتطبیق ویژگی با استفاده از RANSAC
استخراج ویژگی و انطباق ویژگی با استفاده opencv---
توصیف تصویر با استفاده از Bag of words---
بازیابی تصویر با استفاده از استخراج ویژگی و Bag of words---
کارگاهتشخیص و نویسه نگاری شماره کارت بانکی با استفاده از استخراج و تطبیق ویژگی1400/10/309:00
الی 13:15
سرفصلزیرفصلتاریخساعتارایه دهندهعنوان
پیش نیاز و مقدمات شبکه های عصبی و یادگیری عمیقانواع روش های یادگیری1400/11/019:00
الی 13:15
مهندس امیر محمد قریشیمحقق هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت
شبکه‏ های کانولوشنی
دسته‏ بندی تصاویر
الگوریتم ها و مفاهیم تشخیص اشیاء در تصویردسته‏ بندی و مکان‏ یابی – آشنایی با مفاهیم تشخیص اشیاء در تصویر
آشنایی با کاربرد ها و چالش ها
آشنایی با روش های سنتی و ابتدایی تشخیص اشیا
تشخیص اشیا دو مرحله ‏ای مبتنی بر ناحیه
تشخیص ناحیه شی با رگرشن ساده
استخراج ناحیه ‏های پیشنهادی با الگوریتم selective search
الگوریتم ‏های RCNN و نسخه‏ های بهبود یافته Fast RCNN و Faster RCNN
مفاهیم کاربردی در الگوریتم های تشخیص اشیاء IOU و NMS و ROI Pooling
تشخیص اشیا یک مرحله‌ای با کمک الگوریتم پیشرفته1400/11/079:00
الی 13:15
آشنایی با الگوریتم YOLO
بررسی جزییات الگوریتم های نسخه های توسعه یافته YOLO v1, v2, v3
Anchor Boxes آشنایی با مفاهیم
آشنایی با الگوریتم تشخیص اشیا Retina Net
ارزیابی الگوریتم‏ های تشخیص اشیا و معیار میانگین دقت
شبیه‏ سازی و کدنویسی (پایتون)
پیش نیاز و مقدماتتعاریف مقدمات آشنایی با تشخیص چهره1400/11/089:00
الی 13:15
کاربردها
معرفی مجموعه داده های آموزش و ارزیابی
الگوریتم های استخراج ویژگی و بازشناسی چهرهone-shot learning
similarity function
siamese network
metric learning
یادگیری نظارت شده face verification
triplet loss
center loss
separable vs discriminative feature vectors
arcFace
الگوریتم های تشخیص چهره در تصویرتشخیص و تراز کردن چهره
mtcnn
data augmentation
face landmarks
بیان مفهوم و اهمیت موضوعبیان مفهوم بخش بندی تصاویر و جایگاه آن در حوزه بینایی ماشین1400/11/149:00
الی 13:15
مهندس سعید خانه گیرمحقق هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت
dataset
بررسی دسته های مختلف بخش بندی تصویرSemantic segmentation
Instance segmentation
Panoptic segmentation
بررسی الگوریتم های کلاسیک در بخش بندی تصویرEdge detection Algorithms
Clustering Algorithms
Region-based Algorithms
بررسی مدل های معروف یادگیری عمیق در بخش بندی تصویرFully Convolutional Networks
Encoder-Decoder Architectures
Multi-Scale and Pyramid Network based Models1400/11/159:00
الی 13:15
R-CNN Architectures
DeepLab Family
بررسی تابع هزینه مهم در بخش بندی تصویرDice loss
IOU loss
Focal loss
Lovasz-Softmax loss
Weighted cross-entropy
بررسی معیار های ارزیابی مهم در بخش بندی تصویرPrecision,Mean Average Precision
Dice coefficient
Intersection Over Union
آشنایی با دیتاست های معروفPASCAL Visual Object Classes (VOC)
PASCAL Context
Common Objects in Context (MS COCO)
Cityscapes
آماده سازی داده برای آموزش مدل و آموزش مدلdata augmentation
ساخت دیتاست شخصی با ابزاری نظیر labelme
آموزش مدل
کارگاهتمرین های عملیاتی آموزشی1400/11/219:00
الی 13:15
سرفصلزیرفصلتاریخساعتارایه دهندهعنوان
تشخیص افراد روش های کلاسیک (پنجره لغزان)1400/11/289:00
الی 13:15
مهندس مصطفی مرادی پور - مهندس علیرضا اکبریمحقق هوش مصنوعی مرکز تحقیقات هوش مصنوعی پارت
یادگیری عمیق (شبکه YOLO)
الگوریتم های ترکینگ روش‌های قدیمی ترکینگ1400/11/299:00
الی 13:15
الگوریتم SORT
بازتشخیص فرد1400/12/059:00
الی 13:15
الگوریتم deep sort
ترکینگ KLT
تشخیص حرکت برای یک فردروش‌های مبتنی بر تصویر1400/12/069:00
الی 13:15
روش‌های مبتنی بر ویدیو
تشخیص حرکت برای چند فرد الگوریتم های دو مرحله‌ای (Two Stage)
الگوریتم های یک مرحله ای (One Stage)
کارگاهپیاده‌سازی یک الگوریتم تشخیص انسان مبتنی بر روش‌های کلاسیک1400/12/129:00
الی 13:15
پیاده‌سازی الگوریتم KLT
تشخیص حرکت افراد
سرفصلزیرفصلتاریخساعتارایه دهندهعنوان
معرفی داده های پرت---1400/12/139:00
الی 13:15
مهندس دکتر محمد سبک رومحقق ارشد پژوهشگاه دانش‌های بنیادی
کاربردها و روش های یادگیری عمیق برای تشخیص داده های پرت---
چالش ها و راه حل های آنها---
رابطه قابلیت اعتماد مدل با مقاوم بودن در مقابل داده های پرت---
سرفصلزیرفصلتاریخساعتارایه دهندهعنوان
استفاده از شبکه‌های عصبی بازگشتیشبکه‌های عصبی بازگشتی در کابردهای دنباله به دنباله1400/12/199:00
الی 13:15
مهندس دکتر رشاد حسینیاستادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران
مدلهای اینکدر-دیکدر و توصیف تصویر
استفاده از لاس سی-تی-سیچگونگی استفاده از لاس سی-تی-سی با کاربرد در تبدیل تصویر به متن1400/12/209:00
الی 13:15
مدل زبانی و چگونگی وارد کردن آن برای افزایش دقت