اپلیکیشن اندرویدی فلش‌کارت آموزشی Google Cloud Platform: ساخت اپلیکیشن های پردازش تصویر با هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های پردازش تصویر با هوش مصنوعی

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر دوره و اهداف آن
• 2. آشنایی با Google Cloud Platform (GCP)
• 3. نصب و راه اندازی Google Cloud SDK و gcloud CLI
• 4. مدیریت پروژه ها و حساب های کاربری در GCP
• 5. درک سیستم مجوزدهی (IAM) در GCP و نقش‌ها
• 6. مبانی شبکه در GCP: VPC ها و فایروال‌ها
• 7. معرفی سرویس Cloud Storage: ذخیره سازی اشیاء مقیاس‌پذیر
• 8. کار با Cloud Storage: سطل‌ها، اشیاء و نسخه‌سازی
• 9. معرفی Compute Engine: ماشین‌های مجازی قدرتمند در GCP
• 10. مبانی کانتینرها (Containers) و Docker
• 11. معرفی Cloud Run: استقرار برنامه‌های Serverless Container
• 12. معرفی Cloud Functions: توابع Serverless رویداد محور
• 13. Pub/Sub: سیستم پیام‌رسانی ناهمگام در GCP
• 14. مقدمه‌ای بر پردازش تصویر: مفاهیم اصلی
• 15. فرمت‌های رایج تصویر و انتخاب بهترین فرمت
• 16. مبانی بینایی ماشین (Computer Vision) و کاربردهای آن
• 17. تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در پردازش تصویر
• 18. معرفی Vision AI API: سرویس‌های هوش مصنوعی آماده برای تصاویر
• 19. تشخیص برچسب (Label Detection) با Vision AI API
• 20. تشخیص شیء (Object Localization) با Vision AI API
• 21. تشخیص چهره و ویژگی‌های آن با Vision AI API
• 22. تشخیص متن (OCR) با Vision AI API برای تصاویر
• 23. تشخیص نقاط مهم (Landmark Detection) با Vision AI API
• 24. تشخیص محتوای وب و تصاویر مشابه با Vision AI API
• 25. استفاده از قابلیت Safe Search برای محتوای نامناسب
• 26. استفاده از Vision AI API در پایتون و SDK
• 27. مدیریت اعتبارنامه‌ها و API Key ها برای Vision AI API
• 28. مقدمه‌ای بر Vertex AI: پلتفرم یکپارچه ML در GCP
• 29. معرفی Vertex AI Workbench: محیط‌های Notebook مدیریت شده
• 30. کار با Vertex AI Workbench و JupyterLab
• 31. مدیریت مجموعه داده‌ها (Datasets) در Vertex AI
• 32. ایجاد و سازماندهی Image Dataset برای پروژه‌های Vision AI
• 33. توضیح داده‌ها (Data Labeling) برای تصاویر در Vertex AI
• 34. مقدمه‌ای بر AutoML Vision: آموزش مدل بدون کدنویسی
• 35. آموزش مدل Classification با AutoML Vision
• 36. آماده‌سازی داده‌ها برای AutoML Vision Classification
• 37. ارزیابی و تفسیر مدل‌های AutoML Vision Classification
• 38. آموزش مدل Object Detection با AutoML Vision
• 39. آماده‌سازی داده‌ها برای AutoML Vision Object Detection
• 40. ارزیابی و تفسیر مدل‌های AutoML Vision Object Detection
• 41. استقرار (Deployment) مدل‌های AutoML Vision در Vertex AI
• 42. انجام پیش‌بینی آنلاین (Online Prediction) با مدل‌های AutoML Vision
• 43. انجام پیش‌بینی دسته‌ای (Batch Prediction) با مدل‌های AutoML Vision
• 44. مقدمه‌ای بر آموزش مدل‌های Custom در Vertex AI
• 45. انتخاب فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 46. آماده‌سازی و پیش‌پردازش داده‌ها برای مدل‌های Custom
• 47. تکنیک‌های Data Augmentation برای تصاویر
• 48. مفهوم Transfer Learning و استفاده از مدل‌های Pre-trained
• 49. ساخت یک مدل Classification ساده با TensorFlow/Keras
• 50. آموزش مدل Custom Classification در Vertex AI با Training Job
• 51. استفاده از GPU و TPU برای آموزش سریع‌تر در Vertex AI
• 52. ایجاد Docker Image برای Training Job های Custom
• 53. ذخیره و مدیریت مدل‌های آموزش دیده در Model Registry
• 54. استقرار مدل‌های Custom (Managed Models) در Vertex AI Endpoint
• 55. انجام Online Prediction با مدل‌های Custom مستقر شده
• 56. انجام Batch Prediction با مدل‌های Custom
• 57. ساخت یک مدل Object Detection سفارشی (مثلاً با TF Object Detection API)
• 58. آموزش و استقرار مدل Object Detection سفارشی در Vertex AI
• 59. معماری‌های رایج برای اپلیکیشن‌های پردازش تصویر در GCP
• 60. ساخت یک API RESTful برای پردازش تصویر با Flask یا FastAPI
• 61. استقرار API پردازش تصویر در Cloud Run برای مقیاس‌پذیری
• 62. معماری رویداد محور: آپلود در Cloud Storage و پردازش با Cloud Functions
• 63. پردازش ناهمزمان تصاویر با استفاده از Pub/Sub و Cloud Run
• 64. ذخیره سازی فراداده تصاویر پردازش شده در Firestore
• 65. ذخیره سازی فراداده تصاویر پردازش شده در Cloud SQL
• 66. مدیریت و بهینه‌سازی آپلود تصاویر بزرگ با Signed URLs
• 67. مقدمه‌ای بر MLOps برای اپلیکیشن‌های بینایی ماشین
• 68. معرفی Vertex AI Pipelines: اتوماسیون گردش کار ML
• 69. ساخت اولین Pipeline ML برای پردازش تصویر
• 70. گام‌های Pipeline: جمع‌آوری داده، آموزش، ارزیابی، استقرار
• 71. مانیتورینگ مدل (Model Monitoring) در Vertex AI
• 72. مفاهیم Model Drift و Data Drift در مدل‌های بینایی
• 73. تنظیم مانیتورینگ برای تشخیص Model Drift
• 74. ورود اطلاعات (Logging) و پایش (Monitoring) با Cloud Logging و Cloud Monitoring
• 75. تنظیم هشدارها (Alerting) برای وضعیت سرویس و عملکرد مدل
• 76. بهترین شیوه‌ها برای مدیریت IAM در پروژه‌های AI/ML
• 77. امنیت داده‌ها در Cloud Storage برای تصاویر حساس
• 78. مدیریت و بهینه‌سازی هزینه‌ها در GCP برای سرویس‌های AI/ML
• 79. ملاحظات اخلاقی و حریم خصوصی در هوش مصنوعی بینایی ماشین
• 80. کاربرد کیس 1: سیستم کنترل کیفیت با بینایی ماشین
• 81. کاربرد کیس 2: تشخیص هویت و تحلیل اسناد با OCR پیشرفته
• 82. کاربرد کیس 3: تحلیل تصاویر پزشکی (Medical Imaging)
• 83. بهینه‌سازی عملکرد و latency برای اپلیکیشن‌های Real-time
• 84. مقدمه‌ای بر Vertex AI Vision برای جریان‌های ویدئویی (Video AI)
• 85. استفاده از MediaPipe برای پردازش Real-time ویدئو و تصویر
• 86. مقدمه‌ای بر Edge AI و استقرار مدل‌ها بر روی دستگاه‌های Edge
• 87. CI/CD برای اپلیکیشن‌های GCP با Cloud Build
• 88. استفاده از Secret Manager برای مدیریت اطلاعات حساس
• 89. Deep Dive: بهینه‌سازی مدل‌ها برای استقرار (Quantization, Pruning)
• 90. ادغام با کتابخانه‌های پردازش تصویر مانند OpenCV در Cloud Run/Functions
• 91. مقدمه‌ای بر Vertex AI Feature Store برای مهندسی ویژگی
• 92. مقدمه‌ای بر Vertex AI Vector Search برای جستجوی شباهت تصویر
• 93. فشرده سازی تصویر و تاثیر آن بر دقت مدل‌های AI
• 94. تشخیص دستکاری تصویر (Image Tampering Detection) با AI
• 95. تولید تصویر با مدل‌های Generative AI (مثلاً DALL-E) در بستر GCP
• 96. آینده هوش مصنوعی و پردازش تصویر در Google Cloud Platform
• 97. پرسش و پاسخ و رفع اشکال رایج
• 98. خلاصه دوره و منابع برای ادامه یادگیری
• 99. استفاده از Cloud Vision API برای تحلیل و برچسب‌گذاری خودکار تصاویر
• 100. پردازش رویداد-محور تصاویر با استفاده از Cloud Functions و Cloud Storage