اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی و کاربردهای شبکه‌های عصبی کانولوشنی در پردازش تصویر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای شبکه‌های عصبی کانولوشنی در پردازش تصویر

موضوع کلی: هوش مصنوعی و کاربردهای آن

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری عمیق
• 3. شبکه‌های عصبی مصنوعی
• 4. معماری شبکه‌های عصبی
• 5. توابع فعال‌سازی در شبکه‌های عصبی
• 6. تابع هزینه و بهینه‌سازی
• 7. روش‌های پس‌انتشار خطا
• 8. مقدمه‌ای بر پردازش تصویر
• 9. اصول پایه‌ی شبکه‌های عصبی کانولوشنی (CNN)
• 10. لایه‌های کانولوشن و ویژگی‌یابی
• 11. لایه‌های پولینگ و کاهش ابعاد
• 12. لایه‌های کاملاً متصل
• 13. معماری‌های رایج CNN
• 14. شبکه‌های LeNet
• 15. شبکه‌های AlexNet
• 16. شبکه‌های VGG
• 17. شبکه‌های ResNet
• 18. شبکه‌های Inception
• 19. کاربردهای CNN در تشخیص تصویر
• 20. طبقه‌بندی تصاویر
• 21. تشخیص اشیاء در تصاویر
• 22. بخش‌بندی معنایی تصاویر
• 23. تشخیص لبه و استخراج ویژگی
• 24. پردازش و پیش‌پردازش تصاویر
• 25. نرمال‌سازی و استانداردسازی تصاویر
• 26. افزایش داده (Data Augmentation)
• 27. رایج‌ترین تکنیک‌های افزایش داده
• 28. شبکه‌های عصبی بازگشتی (RNN) برای توالی‌ها
• 29. کاربرد RNN در پردازش زبان طبیعی
• 30. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 31. معماری GAN
• 32. کاربرد GAN در تولید تصویر
• 33. مقدمه‌ای بر یادگیری تقویتی
• 34. کاربرد یادگیری تقویتی در رباتیک
• 35. مبانی یادگیری عمیق در پردازش تصویر
• 36. مراحل آموزش شبکه‌های عصبی
• 37. انتخاب تابع فعال‌سازی مناسب
• 38. انواع بهینه‌سازها (Optimizers)
• 39. تنظیم نرخ یادگیری (Learning Rate)
• 40. روش‌های تنظیم ابرپارامترها (Hyperparameter Tuning)
• 41. اعتبارسنجی متقابل (Cross-validation)
• 42. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 43. تکنیک‌های جلوگیری از بیش‌برازش
• 44. تنظیم‌گری (Regularization)
• 45. حذف نورون‌ها (Dropout)
• 46. مقدمه‌ای بر فریم‌ورک‌های یادگیری عمیق
• 47. TensorFlow و Keras
• 48. PyTorch
• 49. آموزش مدل با TensorFlow/Keras
• 50. آموزش مدل با PyTorch
• 51. پیاده‌سازی CNN از ابتدا
• 52. کاربرد CNN در تشخیص پزشکی
• 53. تشخیص بیماری‌های چشمی
• 54. تشخیص تومورهای مغزی
• 55. کاربرد CNN در خودروهای خودران
• 56. تشخیص علائم راهنمایی و رانندگی
• 57. تشخیص موانع در جاده
• 58. کاربرد CNN در کشاورزی هوشمند
• 59. تشخیص آفات و بیماری‌های گیاهی
• 60. تخمین میزان محصولات
• 61. کاربرد CNN در امنیت و نظارت
• 62. تشخیص چهره
• 63. تشخیص رفتارهای مشکوک
• 64. کاربرد CNN در تحلیل ویدئو
• 65. تشخیص فعالیت انسان در ویدئو
• 66. طبقه‌بندی صحنه‌های ویدئویی
• 67. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
• 68. کاربرد ترنسفورمر در پردازش تصویر
• 69. شبکه‌های عصبی گراف (GNN)
• 70. کاربرد GNN در پردازش تصویر
• 71. مباحث پیشرفته در CNN
• 72. شبکه‌های عصبی پیچشی (Convolutional Neural Networks)
• 73. شبکه‌های پیچشی در سه بعد
• 74. شبکه‌های پیچشی کاشی‌کاری شده (Tiled Convolutions)
• 75. شبکه‌های پیچشی کانولوشنال بازگشتی
• 76. شبکه‌های پیچشی با کانولوشن‌های نامنظم
• 77. شبکه‌های پیچشی با هسته‌های قابل یادگیری
• 78. شبکه‌های پیچشی برای داده‌های پراکنده
• 79. شبکه‌های پیچشی با معماری‌های پویا
• 80. شبکه‌های پیچشی با مکانیسم توجه (Attention)
• 81. کاربرد توجه در CNN
• 82. مقدمه‌ای بر یادگیری انتقال (Transfer Learning)
• 83. استفاده از مدل‌های از پیش آموزش‌دیده
• 84. تنظیم دقیق (Fine-tuning) مدل‌ها
• 85. کاربرد یادگیری انتقال در تشخیص تصویر
• 86. کاربرد یادگیری انتقال در طبقه‌بندی تصویر
• 87. کاربرد یادگیری انتقال در تشخیص اشیاء
• 88. کاربرد یادگیری انتقال در بخش‌بندی تصویر
• 89. داده‌کاوی و تحلیل داده‌های تصویری
• 90. استخراج ویژگی‌های معنایی از تصاویر
• 91. تحلیل محتوای بصری
• 92. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 93. حریم خصوصی در پردازش تصویر
• 94. سوگیری در مدل‌های یادگیری عمیق
• 95. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 96. آینده‌ی شبکه‌های عصبی کانولوشنی
• 97. تحقیقات جاری در CNN
• 98. چالش‌های پیش رو در CNN
• 99. پروژه‌های عملی با CNN
• 100. ساخت یک طبقه‌بندی‌کننده تصویر ساده