اپلیکیشن اندرویدی فلش‌کارت آموزشی پردازش تصویر و بینایی ماشین با پایتورچ و تنسورفلو

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش تصویر و بینایی ماشین با پایتورچ و تنسورفلو

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش تصویر
• 2. مبانی پایتورچ برای بینایی ماشین
• 3. مبانی تنسورفلو برای بینایی ماشین
• 4. آشنایی با کتابخانه‌های پردازش تصویر
• 5. انواع داده‌های تصویری و نمایش آن‌ها
• 6. عملیات پایه‌ای روی تصاویر
• 7. تغییر مقیاس و چرخش تصاویر
• 8. تبدیلات هندسی تصویر
• 9. تصحیح رنگ و کنتراست
• 10. هیستوگرام تصاویر
• 11. فیلترینگ خطی و کانولوشن
• 12. فیلترهای میانگین و گوسی
• 13. تشخیص لبه با سوبل و پرویت
• 14. تشخیص لبه با لاپلاسیان و Canny
• 15. تبدیلات فوریه و تحلیل فرکانسی
• 16. فشرده‌سازی تصویر
• 17. مبانی یادگیری ماشین
• 18. مروری بر الگوریتم‌های دسته‌بندی
• 19. رگرسیون خطی
• 20. رگرسیون لجستیک
• 21. ماشین‌های بردار پشتیبان (SVM)
• 22. درخت‌های تصمیم
• 23. جنگل‌های تصادفی
• 24. دسته‌بندی‌کننده‌های بیزی ساده
• 25. دسته‌بندی‌کننده‌های K-نزدیک‌ترین همسایه
• 26. خوشه‌بندی K-Means
• 27. کاهش ابعاد با PCA
• 28. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 29. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 30. توابع فعال‌سازی در شبکه‌های عصبی
• 31. آموزش شبکه‌های عصبی با پس‌انتشار خطا
• 32. بهینه‌سازی با گرادیان نزولی
• 33. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 34. تنظیم نرخ یادگیری
• 35. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 36. لایه کانولوشن
• 37. لایه Pooling
• 38. لایه تماماً متصل (Fully Connected)
• 39. معماری‌های معروف CNN
• 40. شبکه‌های VGG
• 41. شبکه‌های ResNet
• 42. شبکه‌های Inception
• 43. شبکه‌های MobileNet
• 44. آموزش CNN برای دسته‌بندی تصویر
• 45. مجموعه داده‌های تصویری معروف
• 46. پیش‌پردازش داده‌ها برای CNN
• 47. افزایش داده (Data Augmentation)
• 48. تنظیم ابرپارامترها در CNN
• 49. ارزیابی مدل‌های CNN
• 50. متریک‌های ارزیابی (دقت، صحت، F1-Score)
• 51. منحنی ROC و AUC
• 52. یادگیری انتقالی (Transfer Learning)
• 53. استفاده از مدل‌های از پیش آموزش‌دیده
• 54. تنظیم دقیق (Fine-tuning) مدل‌ها
• 55. کاربرد CNN در تشخیص اشیاء
• 56. روش‌های تشخیص اشیاء
• 57. شبکه‌های Faster R-CNN
• 58. شبکه‌های YOLO
• 59. شبکه‌های SSD
• 60. کاربرد CNN در بخش‌بندی تصویر
• 61. بخش‌بندی معنایی (Semantic Segmentation)
• 62. شبکه‌های U-Net
• 63. شبکه‌های FCN
• 64. بخش‌بندی نمونه (Instance Segmentation)
• 65. کاربرد CNN در تشخیص چهره
• 66. تشخیص و ردیابی چهره
• 67. شناسایی چهره
• 68. تولید تصویر با شبکه‌های مولد (GAN)
• 69. مقدمه‌ای بر شبکه‌های مولد تخاصمی
• 70. معماری GAN
• 71. کاربرد GAN در تولید تصویر
• 72. مدل‌سازی سه‌بعدی از تصاویر
• 73. تکنیک‌های بازسازی سه‌بعدی
• 74. استفاده از دیدگاه دوگانه
• 75. کاربرد بینایی ماشین در رباتیک
• 76. ناوبری ربات‌ها
• 77. درک محیط توسط ربات‌ها
• 78. بینایی ماشین در پزشکی
• 79. تشخیص بیماری از تصاویر پزشکی
• 80. تحلیل تصاویر MRI و CT Scan
• 81. بینایی ماشین در صنعت
• 82. کنترل کیفیت با بینایی ماشین
• 83. بازرسی خودکار خطوط تولید
• 84. بینایی ماشین در کشاورزی
• 85. نظارت بر محصولات کشاورزی
• 86. تشخیص آفات و بیماری‌ها
• 87. پردازش تصویر در نرم‌افزارهای کاربردی
• 88. افکت‌های تصویری
• 89. ابزارهای ویرایش تصویر
• 90. مقدمه‌ای بر بینایی کامپیوتر در محیط‌های پویا
• 91. ردیابی اشیاء در ویدئو
• 92. تحلیل حرکت در ویدئو
• 93. بینایی ماشین و واقعیت افزوده (AR)
• 94. هم‌ترازی و ردیابی در AR
• 95. تلفیق اشیاء مجازی با دنیای واقعی
• 96. بینایی ماشین و واقعیت مجازی (VR)
• 97. درک محیط برای VR
• 98. تولید محتوای بصری برای VR
• 99. اخلاق در بینایی ماشین
• 100. حریم خصوصی و داده‌های تصویری