اپلیکیشن اندرویدی فلشکارت آموزشی تشخیص هوشمند بیماریها و آفات گیاهی با یادگیری عمیق: از تصویربرداری تا ترنسفورمرهای بینایی
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره تشخیص هوشمند بیماریها و آفات گیاهی با یادگیری عمیق: از تصویربرداری تا ترنسفورمرهای بینایی
موضوع کلی: هوش مصنوعی در کشاورزی
موضوع میانی: کاربرد یادگیری عمیق در تشخیص بیماریها و آفات گیاهی
📋 سرفصلهای دوره
- 1. مبانی کشاورزی هوشمند
- 2. مقدمهای بر هوش مصنوعی در کشاورزی
- 3. چالشهای کشاورزی مدرن
- 4. نقش دادهها در کشاورزی هوشمند
- 5. مقدمهای بر تشخیص بیماریهای گیاهی
- 6. اهمیت تشخیص زودهنگام بیماریهای گیاهی
- 7. آفات گیاهی و اثرات آنها
- 8. مقدمهای بر بینایی ماشین در کشاورزی
- 9. کاربرد تصویربرداری در کشاورزی
- 10. چالشهای جمعآوری دادههای گیاهی
- 11. مقدمهای بر یادگیری ماشین
- 12. یادگیری عمیق: انقلاب در هوش مصنوعی
- 13. مبانی شبکههای عصبی مصنوعی
- 14. لایههای شبکههای عصبی
- 15. توابع فعالسازی
- 16. تابع هزینه (Loss Function)
- 17. بهینهسازها (Optimizers)
- 18. پسانتشار خطا (Backpropagation)
- 19. معماریهای یادگیری عمیق
- 20. شبکههای عصبی کانولوشنال (CNN)
- 21. مبانی CNN: لایههای کانولوشن
- 22. مبانی CNN: لایههای Pooling
- 23. مبانی CNN: لایههای Fully Connected
- 24. معرفی معماریهای مشهور CNN (AlexNet, VGG, ResNet, Inception)
- 25. تاریخچه شبکههای CNN در تشخیص بیماری گیاهی
- 26. کاربرد CNN در استخراج ویژگی از تصاویر گیاهی
- 27. پیشپردازش تصاویر گیاهی
- 28. پاکسازی نویز در تصاویر
- 29. نرمالسازی تصاویر
- 30. افزایش داده (Data Augmentation)
- 31. تکنیکهای رایج افزایش داده
- 32. مدلسازی در تشخیص بیماری گیاهی
- 33. مسائل طبقهبندی (Classification) در تشخیص بیماری
- 34. مسائل تشخیص اشیاء (Object Detection)
- 35. مسائل تقسیمبندی معنایی (Semantic Segmentation)
- 36. ارزیابی مدلهای طبقهبندی
- 37. معیارهای ارزیابی (Accuracy, Precision, Recall, F1-Score)
- 38. ماتریس درهمریختگی (Confusion Matrix)
- 39. مقدمهای بر مجموعه دادههای بیماری گیاهی
- 40. معرفی مجموعه دادههای معروف (PlantVillage, Kaggle datasets)
- 41. چالشهای مرتبط با مجموعه دادهها (نویز، عدم توازن)
- 42. آموزش مدلهای CNN
- 43. تنظیم هایپرپارامترها (Hyperparameter Tuning)
- 44. روشهای جلوگیری از بیشبرازش (Overfitting)
- 45. یادگیری انتقالی (Transfer Learning)
- 46. کاربرد یادگیری انتقالی در تشخیص بیماری گیاهی
- 47. تنظیم دقیق (Fine-tuning) مدلهای پیشآموزشدیده
- 48. روشهای پیشرفته CNN
- 49. شبکههای عصبی کانولوشنال عمیق
- 50. شبکههای عصبی کانولوشنال با اتصالات باقیمانده (ResNet)
- 51. شبکههای عصبی کانولوشنال با ماژولهای Inception
- 52. شبکههای عصبی کانولوشنال با کانال توجه (Channel Attention)
- 53. شبکههای عصبی کانولوشنال با توجه مکانی (Spatial Attention)
- 54. شبکههای عصبی با مکانیزم توجه (Attention Mechanisms)
- 55. شبکههای عصبی با مکانیزم توجه در CNN
- 56. مقدمهای بر تشخیص آفات گیاهی
- 57. تفاوتهای تشخیص آفات و بیماریهای گیاهی
- 58. چالشهای تشخیص آفات
- 59. کاربرد CNN در تشخیص آفات
- 60. معماریهای یادگیری عمیق برای تشخیص آفات
- 61. روشهای تشخیص خودکار آفات
- 62. تشخیص آفات با استفاده از دادههای تصویری
- 63. تشخیص آفات با استفاده از دادههای صوتی (اختیاری)
- 64. تشخیص آفات با استفاده از دادههای رفتاری (اختیاری)
- 65. مدلهای تشخیص اشیاء برای آفات
- 66. کاربرد YOLO در تشخیص آفات
- 67. کاربرد Faster R-CNN در تشخیص آفات
- 68. کاربرد SSD در تشخیص آفات
- 69. مقدمهای بر تقسیمبندی تصاویر گیاهی
- 70. تقسیمبندی برای تفکیک برگ از ساقه
- 71. تقسیمبندی برای تفکیک بخش آلوده
- 72. مدلهای تقسیمبندی معنایی
- 73. U-Net برای تقسیمبندی تصاویر گیاهی
- 74. DeepLab برای تقسیمبندی تصاویر گیاهی
- 75. کاربرد تقسیمبندی در تحلیل شدت بیماری
- 76. ترنسفورمرها در یادگیری عمیق
- 77. مقدمهای بر شبکههای ترنسفورمر (Transformers)
- 78. معماری پایه ترنسفورمر
- 79. مکانیزم توجه در ترنسفورمرها
- 80. ترنسفورمرهای بینایی (Vision Transformers - ViT)
- 81. مبانی ViT
- 82. معماری ViT
- 83. مزایای ViT نسبت به CNN
- 84. کاربرد ViT در تشخیص بیماری گیاهی
- 85. مقایسه ViT و CNN در تشخیص بیماری گیاهی
- 86. ترنسفورمرهای بینایی پیشرفته
- 87. Swin Transformer
- 88. کاربرد Swin Transformer در کشاورزی
- 89. ترنسفورمرها برای تشخیص اشیاء
- 90. DETR (DEtection TRansformer)
- 91. کاربرد DETR در تشخیص آفات
- 92. ترنسفورمرها برای تقسیمبندی
- 93. SegFormer
- 94. کاربرد SegFormer در تحلیل تصاویر گیاهی
- 95. روشهای ترکیب CNN و ترنسفورمر
- 96. معماریهای هیبریدی CNN-Transformer
- 97. مزایای معماریهای هیبریدی
- 98. کاربرد معماریهای هیبریدی در کشاورزی
- 99. ارزیابی پیشرفته مدلها
- 100. مباحث مربوط به پایداری و استحکام مدلها (Robustness)
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.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- 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.
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.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.