اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت پروژه‌های بینایی ماشین هوشمند با رزبری پای: از یادگیری ماشین تا یادگیری عمیق

349,950 تومان
ساخت پروژه‌های بینایی ماشین هوشمند با رزبری پای: جهش به دنیای هوش مصنوعی ساخت پروژه‌های بینایی ماشین هوشمند با رزبری پای: از یادگیری ماشین تا یادگیری عمیق آیا رویای ساخت روبات‌های هوشمندی را در سر دار...
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 87,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت پروژه‌های بینایی ماشین هوشمند با رزبری پای: از یادگیری ماشین تا یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پروژه‌های کاربردی بینایی ماشین هوشمند

📋 سرفصل‌های دوره

  • 1. بخش اول: مقدمات و راه‌اندازی (Foundations and Setup)
  • 2. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
  • 3. بینایی ماشین چیست و چه کاربردهایی دارد؟
  • 4. معرفی رزبری پای: تاریخچه، مدل‌ها و قابلیت‌ها
  • 5. چرا رزبری پای برای پروژه‌های بینایی ماشین مناسب است؟
  • 6. انتخاب قطعات مورد نیاز: رزبری پای، دوربین، منبع تغذیه و کارت حافظه
  • 7. نصب سیستم‌عامل Raspberry Pi OS (Raspbian)
  • 8. پیکربندی اولیه رزبری پای: شبکه، زبان و تنظیمات منطقه‌ای
  • 9. آشنایی با خط فرمان لینوکس (Command Line Interface)
  • 10. دستورات ضروری لینوکس برای مدیریت فایل‌ها و سیستم
  • 11. اتصال به رزبری پای از راه دور با استفاده از SSH و VNC
  • 12. راه‌اندازی و تست ماژول دوربین رزبری پای
  • 13. مدیریت پکیج‌ها در لینوکس با APT
  • 14. مقدمه‌ای بر گیت (Git) برای کنترل نسخه پروژه‌ها
  • 15. بخش دوم: پایتون و کتابخانه‌های ضروری (Python and Essential Libraries)
  • 16. مروری بر مبانی برنامه‌نویسی پایتون
  • 17. نصب پایتون و مدیریت محیط‌های مجازی با venv
  • 18. مقدمه‌ای بر کتابخانه NumPy و کار با آرایه‌های چندبعدی
  • 19. عملیات ریاضی و برداری با NumPy
  • 20. آشنایی با کتابخانه Matplotlib برای مصورسازی داده‌ها و تصاویر
  • 21. نصب کتابخانه OpenCV برای بینایی ماشین
  • 22. خواندن، نمایش و ذخیره‌سازی تصاویر با OpenCV
  • 23. کار با ویدئوها: خواندن از فایل و دریافت تصویر زنده از دوربین
  • 24. اصول اولیه کار با تصاویر: دسترسی به پیکسل‌ها و ویژگی‌های تصویر
  • 25. فضاهای رنگی مختلف (BGR, RGB, HSV, Grayscale) و تبدیل بین آن‌ها
  • 26. ترسیم اشکال هندسی و نوشتن متن روی تصاویر با OpenCV
  • 27. بخش سوم: پردازش تصویر و مبانی بینایی ماشین (Image Processing and CV Fundamentals)
  • 28. عملیات حسابی و منطقی روی تصاویر
  • 29. تبدیلات هندسی: تغییر اندازه، چرخش و جابجایی
  • 30. برش (Cropping) و افاین (Affine Transformation)
  • 31. تصحیح پرسپکتیو (Perspective Correction)
  • 32. فیلترها و هموارسازی تصاویر (Image Filtering and Smoothing)
  • 33. عملیات مورفولوژیک: فرسایش، اتساع، باز کردن و بستن
  • 34. آستانه‌گذاری (Thresholding): ساده، تطبیقی و Otsu
  • 35. تشخیص لبه با الگوریتم‌های Sobel, Scharr و Canny
  • 36. گرادیان تصویر و کاربردهای آن
  • 37. کانتورها (Contours): یافتن، ترسیم و تحلیل آن‌ها
  • 38. هیستوگرام تصویر و کاربرد آن در یکسان‌سازی هیستوگرام
  • 39. تطبیق الگو (Template Matching)
  • 40. تبدیل هاف (Hough Transform) برای تشخیص خط و دایره
  • 41. بخش‌بندی تصویر (Image Segmentation) با الگوریتم Watershed
  • 42. بخش چهارم: یادگیری ماشین کلاسیک برای کاربردهای بینایی (Classic Machine Learning for Vision Applications)
  • 43. مقدمه‌ای بر مفاهیم یادگیری ماشین: نظارت‌شده و نظارت‌نشده
  • 44. آشنایی با کتابخانه Scikit-Learn
  • 45. استخراج ویژگی از تصاویر: هیستوگرام رنگ و ویژگی‌های بافت
  • 46. استخراج ویژگی با هیستوگرام گرادیان‌های جهت‌دار (HOG)
  • 47. طبقه‌بندی تصاویر با الگوریتم K-نزدیک‌ترین همسایه (K-Nearest Neighbors)
  • 48. مقدمه‌ای بر ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
  • 49. پروژه: تشخیص ارقام دست‌نویس با SVM و ویژگی‌های HOG
  • 50. خوشه‌بندی (Clustering) با الگوریتم K-Means
  • 51. کاربرد K-Means در کوانتیزاسیون رنگ (Color Quantization)
  • 52. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
  • 53. کاربرد PCA در بازشناسی چهره (Eigenfaces)
  • 54. طبقه‌بندی با درخت‌های تصمیم و جنگل‌های تصادفی
  • 55. ارزیابی مدل‌های یادگیری ماشین: دقت، صحت و ماتریس درهم‌ریختگی
  • 56. بخش پنجم: ورود به دنیای یادگیری عمیق (Entering the World of Deep Learning)
  • 57. چرا یادگیری عمیق؟ محدودیت‌های یادگیری ماشین کلاسیک
  • 58. مبانی شبکه‌های عصبی: پرسپترون و توابع فعال‌سازی
  • 59. نصب TensorFlow و Keras بر روی رزبری پای
  • 60. ساخت اولین شبکه عصبی ساده با Keras
  • 61. معرفی شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNNs)
  • 62. تشریح لایه‌های یک CNN: کانولوشن، Pooling و Fully Connected
  • 63. پروژه: ساخت یک CNN برای طبقه‌بندی تصاویر (مجموعه‌داده CIFAR-10)
  • 64. مفهوم بیش‌برازش (Overfitting) و روش‌های مقابله با آن
  • 65. تکنیک‌های تنظیم مدل: نرخ یادگیری، بهینه‌سازها و توابع هزینه
  • 66. افزایش داده (Data Augmentation) برای بهبود عملکرد مدل
  • 67. یادگیری انتقالی (Transfer Learning): قدرت مدل‌های از پیش آموزش‌دیده
  • 68. استفاده از مدل‌های معروف مانند VGG, ResNet و MobileNet
  • 69. تنظیم دقیق (Fine-tuning) یک مدل از پیش آموزش‌دیده برای یک وظیفه خاص
  • 70. مصورسازی ویژگی‌های آموخته‌شده توسط CNN‌ها
  • 71. بخش ششم: پروژه‌های پیشرفته بینایی ماشین با یادگیری عمیق (Advanced CV Projects with Deep Learning)
  • 72. آشکارسازی اشیاء (Object Detection): مفاهیم و رویکردها
  • 73. معرفی معماری‌های آشکارسازی اشیاء: YOLO و SSD
  • 74. پروژه: آشکارسازی اشیاء در زمان واقعی با استفاده از یک مدل YOLO از پیش آموزش‌دیده
  • 75. تشخیص چهره با استفاده از Haar Cascades در OpenCV
  • 76. تشخیص چهره مبتنی بر یادگیری عمیق (MTCNN, BlazeFace)
  • 77. پروژه: ساخت سیستم حضور و غیاب مبتنی بر تشخیص چهره
  • 78. بازشناسی چهره (Face Recognition) با Siamese Networks و FaceNet
  • 79. تشخیص نقاط کلیدی صورت (Facial Landmark Detection)
  • 80. بخش‌بندی معنایی تصویر (Semantic Segmentation)
  • 81. پروژه: تخمین ژست انسان (Human Pose Estimation) با OpenPose
  • 82. خواندن متن از تصویر (OCR) با Tesseract و مدل‌های یادگیری عمیق
  • 83. ردیابی اشیاء (Object Tracking) در ویدئو
  • 84. الگوریتم‌های ردیابی در OpenCV (MeanShift, CamShift, KCF, CSRT)
  • 85. ردیابی اشیاء مبتنی بر یادگیری عمیق (Deep SORT)
  • 86. بخش هفتم: بهینه‌سازی و استقرار مدل روی رزبری پای (Optimization and Deployment on Raspberry Pi)
  • 87. چالش‌های اجرای مدل‌های یادگیری عمیق بر روی دستگاه‌های لبه
  • 88. مقدمه‌ای بر TensorFlow Lite (TFLite)
  • 89. تبدیل یک مدل Keras/TensorFlow به فرمت TFLite
  • 90. اجرای استنتاج (Inference) با مفسر TFLite روی رزبری پای
  • 91. کوانتیزاسیون مدل (Model Quantization) برای کاهش حجم و افزایش سرعت
  • 92. استفاده از شتاب‌دهنده‌های سخت‌افزاری مانند Google Coral USB Accelerator
  • 93. پروفایلینگ و بنچمارک کردن عملکرد مدل روی رزبری پای
  • 94. ساخت یک وب‌سرویس (API) برای مدل بینایی ماشین با Flask
  • 95. پروژه نهایی: ساخت یک دوربین امنیتی هوشمند با قابلیت تشخیص حرکت و اشیاء
  • 96. پروژه نهایی: طراحی یک سیستم مرتب‌سازی اشیاء بر اساس رنگ و شکل
  • 97. جمع‌بندی دوره و مسیرهای یادگیری آینده
اپلیکیشن آموزشی اندروید
یادگیری هوشمند، همیشه همراه شما
فلش‌کارت‌های آموزشی را در یک محیط فارسی، ساده و کاربردی مرور کنید؛ پاسخ‌های خود را بسنجید و پیشرفت یادگیری‌تان را دنبال کنید.
مطالعه آفلاین محیط فارسی و راست‌چین ویژه اندروید
فلش‌کارت آموزشی؛ روشی کاربردی برای مرور مطالب

این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلش‌کارت طراحی شده است. کارت‌ها را یکی‌یکی مرور کنید، پاسخ پرسش‌ها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.

📴
یادگیری بدون اینترنت مداوم
پس از نصب و در دسترس بودن محتوای دوره، فلش‌کارت‌ها را در زمان و مکان دلخواه مرور کنید.
🗂️
انواع محتوای آموزشی
از نکته‌های آموزشی تا پرسش‌های چهارگزینه‌ای و پرسش‌وپاسخ، مطالب را متناسب با نیاز خود مرور کنید.
📊
ارزیابی میزان یادگیری
پاسخ‌های درست و غلط خود را ثبت کنید و آمار عملکردتان را به تفکیک نوع محتوا ببینید.
🎯
مرور هدفمند فصل‌ها
فصل‌های موردنظر را انتخاب کنید و با استفاده از گزینه انتخاب همه، مرور فصل‌های مرورنشده را در اولویت قرار دهید.
انواع فلش‌کارت‌های قابل مرور

محتوای آموزشی در قالب‌های متنوع ارائه می‌شود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموخته‌ها قابل استفاده باشد.

💬
نکته‌های خودمانی
یادگیری ساده و روان
📘
نکته‌های رسمی و کتابی
مرور دقیق مفاهیم
📝
پرسش‌های چهارگزینه‌ای
سنجش آموخته‌ها
❓
پرسش‌وپاسخ
تمرین یادآوری پاسخ
🎓
درسنامه
مرور محتوای آموزشی
امکانات مرور و ارزیابی
حرکت ساده بین کارت‌ها
استفاده از دکمه‌های قبلی و بعدی و مشاهده نوار پیشرفت برای دنبال کردن روند مرور.
مشاهده پاسخ و توضیحات
برگرداندن کارت برای نمایش پاسخ و توضیحات در قالب‌هایی مانند تست و پرسش‌وپاسخ.
تنظیم اندازه فونت
انتخاب اندازه مناسب نوشته‌ها برای تجربه مطالعه راحت‌تر.
نمایش فرمول‌های ریاضی
پشتیبانی از نمایش صحیح فرمول‌ها و روابط ریاضی مبتنی بر LaTeX.
ثبت نتیجه و گزارش آماری
علامت‌گذاری هر پاسخ به‌صورت درست یا غلط و مشاهده تعداد و درصد موفقیت برای انواع محتوا.
طراحی‌شده برای مطالعه روزمره
  • رابط کاربری فارسی و راست‌چین با فونت وزیر.
  • تم روشن و تیره مطابق تنظیمات سیستم.
  • صفحه‌بندی ساده برای انتخاب دوره و شروع مرور.
  • نمایش تعداد دفعات مرور هر فصل.
  • انتخاب چند فصل برای مرور هم‌زمان.
  • امکان تمرکز بر فصل‌هایی که هنوز مرور نشده‌اند.
مناسب برای چه کسانی است؟

این اپلیکیشن برای دانش‌آموزان، دانشجویان، داوطلبان آزمون‌ها و علاقه‌مندان به یادگیری طراحی شده است؛ به‌ویژه کسانی که می‌خواهند مطالب آموزشی را در زمان‌های کوتاه مرور کنند، دانسته‌های خود را بسنجند و مطالعه منظم‌تری داشته باشند.

توجه: محتوای آموزشی و تعداد فلش‌کارت‌ها به دوره انتخاب‌شده بستگی دارد. محتوای دوره پس از نصب، درون برنامه قابل استفاده است؛ با این حال، دریافت اولیه اپلیکیشن و به‌روزرسانی‌های احتمالی ممکن است به اینترنت نیاز داشته باشند.
گالری تصاویر اپلیکیشن‌ها
محیط واقعی اپلیکیشن‌های آموزشی ما
تصاویر زیر، نمونه‌هایی از محیط واقعی اپلیکیشن‌های آموزشی ما هستند و قالب کلی، سبک طراحی و شیوه نمایش محتوای آموزشی در این برنامه‌ها را نشان می‌دهند.
نگاهی به فضای داخل برنامه
تصویر محیط اپلیکیشن آموزشی ۱
نمای اپلیکیشن ۱
تصویر محیط اپلیکیشن آموزشی ۲
نمای اپلیکیشن ۲
تصویر محیط اپلیکیشن آموزشی ۳
نمای اپلیکیشن ۳
تصویر محیط اپلیکیشن آموزشی ۴
نمای اپلیکیشن ۴
تصویر محیط اپلیکیشن آموزشی ۵
نمای اپلیکیشن ۵
تصویر محیط اپلیکیشن آموزشی ۶
نمای اپلیکیشن ۶
تصویر محیط اپلیکیشن آموزشی ۷
نمای اپلیکیشن ۷
تصویر محیط اپلیکیشن آموزشی ۸
نمای اپلیکیشن ۸
تصویر محیط اپلیکیشن آموزشی ۹
نمای اپلیکیشن ۹
تصویر محیط اپلیکیشن آموزشی ۱۰
نمای اپلیکیشن ۱۰
تصویر محیط اپلیکیشن آموزشی ۱۱
نمای اپلیکیشن ۱۱
نکته مهم درباره تصاویر
این تصاویر نمونه‌ای از قالب و سبک طراحی اپلیکیشن‌های آموزشی ما هستند. اپلیکیشن ارائه‌شده نیز از همین رویکرد طراحی و نمایش محتوای آموزشی پیروی می‌کند؛ جزئیات ظاهری و امکانات قابل مشاهده ممکن است متناسب با نوع دوره و بخش مورد استفاده متفاوت باشد.
تگ‌ها: AI Computer Vision Deep Learning DL Machine Learning ML Raspberry Pi Raspberry Pi Projects بینایی ماشین پروژه‌های بینایی ماشین پروژه‌های هوش مصنوعی رزبری پای هوش مصنوعی یادگیری عمیق یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.