اپلیکیشن اندرویدی فلش‌کارت آموزشی Google Cloud Platform: ساخت اپلیکیشن های پردازش تصویر با دقت بالا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های پردازش تصویر با دقت بالا

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر پردازش تصویر و کاربردهای آن
• 2. آشنایی با مفاهیم پایه ای تصویر (پیکسل، کانال رنگ، فرمت ها)
• 3. معرفی Google Cloud Platform (GCP) و خدمات آن
• 4. ثبت نام و پیکربندی حساب کاربری در GCP
• 5. آشنایی با کنسول GCP و داشبورد
• 6. مدیریت پروژه ها در GCP
• 7. معرفی سرویس های محاسباتی GCP (Compute Engine, Cloud Functions, Cloud Run)
• 8. معرفی سرویس های ذخیره سازی GCP (Cloud Storage, Cloud SQL, Cloud Datastore)
• 9. معرفی سرویس های شبکه GCP (VPC, Cloud Load Balancing, Cloud DNS)
• 10. آشنایی با Cloud SDK و ابزارهای خط فرمان GCP
• 11. ایجاد و پیکربندی ماشین مجازی Compute Engine
• 12. نصب و راه اندازی ابزارهای پردازش تصویر بر روی Compute Engine
• 13. آشنایی با زبان برنامه نویسی Python و کتابخانه های پردازش تصویر (OpenCV, Pillow)
• 14. خواندن، نوشتن و نمایش تصاویر با OpenCV
• 15. عملیات پایه ای بر روی تصاویر (تغییر اندازه، برش، چرخش)
• 16. تنظیم روشنایی و کنتراست تصاویر
• 17. تبدیل تصاویر به مقیاس خاکستری و رنگی
• 18. اعمال فیلترهای مختلف بر روی تصاویر (Blur, Sharpen, Edge Detection)
• 19. تشخیص لبه ها در تصاویر با استفاده از Canny Edge Detection
• 20. تشخیص خطوط در تصاویر با استفاده از Hough Transform
• 21. تشخیص اشکال در تصاویر
• 22. آشنایی با مفاهیم Image Segmentation
• 23. پیاده سازی Image Segmentation با استفاده از روش های Thresholding
• 24. پیاده سازی Image Segmentation با استفاده از Watershed Algorithm
• 25. آشنایی با مفاهیم یادگیری ماشین (Machine Learning)
• 26. معرفی TensorFlow و Keras
• 27. آماده سازی داده های تصویر برای آموزش مدل های یادگیری ماشین
• 28. ساخت و آموزش یک مدل طبقه بندی تصویر (Image Classification) با TensorFlow
• 29. ارزیابی و بهینه سازی مدل طبقه بندی تصویر
• 30. آشنایی با معماری های شبکه های عصبی کانولوشن (CNN)
• 31. پیاده سازی CNN برای طبقه بندی تصاویر با استفاده از Keras
• 32. استفاده از انتقال یادگیری (Transfer Learning) برای بهبود دقت مدل
• 33. آشنایی با مدل های از پیش آموزش داده شده (Pre-trained Models) در Keras
• 34. استفاده از MobileNet برای طبقه بندی تصاویر موبایلی
• 35. استفاده از InceptionV3 برای طبقه بندی تصاویر با دقت بالا
• 36. استفاده از ResNet برای طبقه بندی تصاویر با عمق بالا
• 37. آشنایی با مفاهیم Object Detection
• 38. معرفی الگوریتم های Object Detection (R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD)
• 39. پیاده سازی Object Detection با استفاده از TensorFlow Object Detection API
• 40. آموزش مدل Object Detection با استفاده از مجموعه داده های سفارشی
• 41. ارزیابی و بهینه سازی مدل Object Detection
• 42. آشنایی با سرویس Cloud Storage در GCP
• 43. ذخیره سازی تصاویر در Cloud Storage
• 44. مدیریت دسترسی به تصاویر در Cloud Storage
• 45. آشنایی با سرویس Cloud Functions در GCP
• 46. ایجاد و استقرار توابع Cloud Functions
• 47. توابع Cloud Functions با استفاده از Cloud Storage Triggers
• 48. پیاده سازی پردازش تصویر در Cloud Functions
• 49. مقیاس پذیری و مدیریت هزینه ها در Cloud Functions
• 50. آشنایی با سرویس Cloud Run در GCP
• 51. استقرار کانتینرها در Cloud Run
• 52. اجرای برنامه های پردازش تصویر در Cloud Run
• 53. مدیریت ترافیک و مقیاس پذیری در Cloud Run
• 54. آشنایی با سرویس Vision API در GCP
• 55. استفاده از Vision API برای تشخیص چهره (Face Detection)
• 56. استفاده از Vision API برای تشخیص اشیاء (Object Detection)
• 57. استفاده از Vision API برای تشخیص متن (Optical Character Recognition - OCR)
• 58. استفاده از Vision API برای تحلیل ایمنی تصاویر (Safe Search Detection)
• 59. استفاده از Vision API برای تشخیص ویژگی های تصاویر (Landmark Detection)
• 60. آشنایی با Auto ML Vision در GCP
• 61. آموزش مدل های سفارشی با استفاده از Auto ML Vision
• 62. استقرار مدل های Auto ML Vision
• 63. ارزیابی و بهینه سازی مدل های Auto ML Vision
• 64. آشنایی با TensorFlow Lite
• 65. بهینه سازی مدل های TensorFlow برای دستگاه های موبایل و اینترنت اشیا
• 66. استقرار مدل های TensorFlow Lite بر روی دستگاه های موبایل
• 67. پیاده سازی برنامه های پردازش تصویر موبایلی
• 68. آشنایی با Edge TPU
• 69. استفاده از Edge TPU برای تسریع پردازش تصویر
• 70. آشنایی با سرویس Dataflow در GCP
• 71. پردازش تصاویر در مقیاس بزرگ با استفاده از Dataflow
• 72. آشنایی با سرویس Dataproc در GCP
• 73. پردازش تصاویر با استفاده از Spark و Hadoop در Dataproc
• 74. مانیتورینگ و Logging برنامه های پردازش تصویر در GCP
• 75. استفاده از Stackdriver Logging برای ثبت رویدادها
• 76. استفاده از Stackdriver Monitoring برای نظارت بر عملکرد
• 77. دیباگینگ برنامه های پردازش تصویر در GCP
• 78. مدیریت هزینه ها در GCP برای برنامه های پردازش تصویر
• 79. بهینه سازی هزینه ها در Compute Engine
• 80. بهینه سازی هزینه ها در Cloud Storage
• 81. امنیت برنامه های پردازش تصویر در GCP
• 82. مدیریت دسترسی ها و مجوزها (IAM)
• 83. رمزنگاری داده ها (Encryption)
• 84. آشنایی با مفاهیم DevOps
• 85. خودکارسازی استقرار (Deployment Automation) با استفاده از Cloud Build
• 86. ایجاد pipeline استقرار برای برنامه های پردازش تصویر
• 87. تست و اعتبارسنجی برنامه های پردازش تصویر
• 88. استفاده از Container Registry برای ذخیره سازی تصاویر کانتینری
• 89. آشنایی با Kubeflow در GCP
• 90. مدیریت چرخه حیات مدل های یادگیری ماشین با Kubeflow
• 91. استقرار مدل های یادگیری ماشین با Kubeflow
• 92. آشنایی با MLOps
• 93. به کارگیری MLOps برای برنامه های پردازش تصویر
• 94. ارزیابی مداوم مدل ها (Continuous Evaluation)
• 95. آموزش مجدد مدل ها (Retraining)
• 96. آشنایی با سرویس BigQuery در GCP
• 97. تحلیل داده های تصویر با استفاده از BigQuery
• 98. ساخت داشبوردهای نمایش داده با Looker Studio
• 99. ترکیب سرویس های مختلف GCP برای ساخت راه حل های جامع پردازش تصویر
• 100. بررسی موارد استفاده (Use Cases) مختلف پردازش تصویر در GCP (تشخیص پزشکی، خودروهای خودران، نظارت تصویری)