این دوره جامع، شما را از مبانی فریم‌ورک Flutter تا پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از TensorFlow Lite هدایت می‌کند. با شرکت در این دوره، قادر خواهید بود اپلیکیشن‌های چندسکویی (iOS و Android) بسازید که از قدرت هوش مصنوعی برای تشخیص تصویر، طبقه‌بندی داده و … بهره‌مند شوند.

• مبانی فریم‌ورک Flutter: ویجت‌ها، Layout و State Management
• آشنایی با مفهوم یادگیری ماشین و شبکه‌های عصبی
• ساخت و آموزش مدل‌های TensorFlow برای تشخیص تصویر
• بهینه‌سازی و تبدیل مدل‌های TensorFlow به TensorFlow Lite
• ادغام مدل‌های کم‌حجم در اپلیکیشن‌های Flutter
• نمونه‌گیری زنده: پیاده‌سازی یک اپلیکیشن تشخیص اشیا یا صورت
• روش‌های بهبود دقت و سرعت inference روی دستگاه
• استفاده از قابلیت‌های پیشرفته مانند quantization و pruning

• یادگیری عملی به کمک پروژه‌های واقعی
• فراگیری اصول بهینه‌سازی مدل برای اجرا روی موبایل
• مناسب برای توسعه‌دهندگان Flutter و علاقه‌مندان به AI
• پشتیبانی از معماری MVVM و Clean Code
• دسترسی نامحدود به ویدیوها و کدهای منبع
• مدرک رسمی پایان دوره

• آشنایی پایه با زبان Dart و محیط توسعه Flutter
• آشنایی مقدماتی با مفاهیم پایه‌ای یادگیری ماشین (توصیه‌شده ولی غیرالزامی)
• نصب Flutter SDK و Android Studio/VS Code روی سیستم
• ارتباط اینترنت جهت دانلود کتابخانه‌ها و بسته‌های مورد نیاز

بخش اول: مقدمات Flutter

• معماری فلاتر و نصب ابزارها
• ویجت‌های Stateless و Stateful
• طراحی UI Responsive
• State Management با Provider و Riverpod

بخش دوم: آشنایی با یادگیری ماشین

• مفاهیم پایه: داده، ویژگی‌ها، برچسب‌ها
• شبکه‌های عصبی و ساختار لایه‌ها
• کتابخانه TensorFlow و کاربردهای آن

بخش سوم: آموزش و تبدیل مدل

• آموزش مدل تشخیص عدد دست‌نویس (MNIST)
• آموزش مدل طبقه‌بندی تصاویر (CIFAR-10)
• ابزار TensorFlow Lite Converter
• Quantization و کاهش حجم مدل

بخش چهارم: ادغام در اپلیکیشن Flutter

• نصب بسته tflite_flutter و tflite_flutter_helper
• بارگذاری و استفاده از مدل روی دستگاه
• خواندن تصویر از دوربین و پردازش آن
• نمایش نتایج inference در UI

بخش پنجم: بهینه‌سازی و نکات عملی

• benchmarking و اندازه‌گیری سرعت
• پردازش همزمان (Isolate) برای جلوگیری از کندی UI
• کار با GPU Delegate و NNAPI Delegate
• تجربه‌های واقعی و رفع اشکال

در این دوره، دو پروژه عملی برای تسلط بیشتر در نظر گرفته شده است:

• پروژه 1: اپلیکیشن تشخیص عدد دست‌نویس با دوربین دستگاه
• پروژه 2: اپلیکیشن شناسایی میوه‌ها با استفاده از مدل‌های MobileNet

شما در هر پروژه گام به گام از آموزش مدل تا نمایش نتایج در رابط کاربری همراه خواهید بود و کدهای آماده برای بخش‌های کلیدی در اختیار شما قرار می‌گیرد.

• همیشه قبل از تبدیل مدل، آن را با داده‌های واقعی تست کنید.
• Quantization می‌تواند حجم مدل را تا 4 برابر کاهش دهد بدون افت محسوس دقت.
• برای جلوگیری از افت فریم‌ریت UI، از Isolate برای inference استفاده کنید.
• از Delegate‌های سخت‌افزاری دستگاه (GPU، NNAPI) برای سرعت بخشی بهره بگیرید.
• مستندات رسمی TensorFlow Lite را به عنوان مرجع همیشگی نگه دارید.

با پایان این دوره، شما توانایی طراحی، آموزش، بهینه‌سازی و استقرار مدل‌های یادگیری ماشین کم‌حجم را در پروژه‌های واقعی Flutter خواهید داشت.