اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش مدل‌های آفلاین برای پایش و بهینه‌سازی زیرساخت‌های شهر هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل‌های آفلاین برای پایش و بهینه‌سازی زیرساخت‌های شهر هوشمند

موضوع کلی: زیرساخت‌های هوشمند شهری

موضوع میانی: هوش لبه‌ای و یادگیری ماشین برای شهرهای پایدار

📋 سرفصل‌های دوره

• 1. اصول شهر هوشمند و نقش داده در مدیریت زیرساخت‌ها
• 2. محدوده‌های عملیاتی زیرساخت‌های شهری
• 3. تعریف یادگیری آفلاین در بستر شهر
• 4. معماری داده از حسگر تا تصمیم
• 5. شناخت گره‌های لبه‌ای و مرکز داده شهری
• 6. سنجش هوشمند در ترافیک، انرژی، آب و محیط‌زیست
• 7. چرخه عمر داده شهری
• 8. استانداردهای ارتباطی اینترنت اشیاء در شهر
• 9. مدل‌های زمان‌بندی و رویدادمحور برای زیرساخت شهری
• 10. داده‌های سری‌زمانی در پایش زیرساخت‌ها
• 11. استحصال ویژگی از سیگنال‌های شهری
• 12. ارزیابی کیفیت، نویز و مقیاس‌پذیری داده‌های سنسوری
• 13. پاک‌سازی داده‌های سنسورهای شهری
• 14. مدیریت داده‌های گمشده و نامتوازن
• 15. برچسب‌گذاری خرابی‌ها، رویدادها و وضعیت‌های عملیاتی
• 16. همگام‌سازی و استانداردسازی داده‌های شهری
• 17. حفاظت از حریم خصوصی شهروندان
• 18. امنیت داده و دستگاه‌های لبه‌ای
• 19. حاکمیت داده و مالکیت حقوقی داده‌های شهری
• 20. مهندسی پایپ‌لاین داده در مقیاس شهری
• 21. یادگیری نظارت‌شده برای تشخیص وضعیت زیرساخت
• 22. یادگیری بدون نظارت برای کشف الگوهای پنهان
• 23. مدل‌سازی پیش‌بینی سری‌زمانی زیرساخت‌ها
• 24. تشخیص ناهنجاری در عملکردهای شهری
• 25. تخمین و رگرسیون پارامترهای زیرساختی
• 26. یادگیری تقویتی آفلاین برای تصمیم‌های بهینه
• 27. انتقال یادگیری میان مناطق و زیرساخت‌های مختلف
• 28. یادگیری تطبیقی با داده‌های محدود
• 29. کاهش ابعاد برای داده‌های لبه‌ای
• 30. فشرده‌سازی مدل‌های یادگیری
• 31. کوانتیزه‌سازی برای سخت‌افزارهای محدود
• 32. تنک‌سازی و مدل‌های اسپرس
• 33. استخراج دانش از مدل‌های بزرگ
• 34. معماری‌های کارآمد برای محیط لبه
• 35. ساخت جعبه‌ابزار پایپ‌لاین آموزش آفلاین
• 36. جریان کاری آموزش، اعتبارسنجی و آزمایش مدل
• 37. جداسازی زمانی داده‌ها برای جلوگیری از نشت اطلاعات
• 38. انتخاب معیار ارزیابی متناسب با زیرساخت
• 39. ارزیابی دقت، تأخیر و مصرف منابع
• 40. مدل‌های هزینه‌محور برای تصمیم‌گیری شهری
• 41. ارزیابی عدالت و سوگیری در داده‌های شهری
• 42. تفسیر‌پذیری تصمیم‌های مدل
• 43. برآورد عدم اطمینان برای هشدارهای حیاتی
• 44. استحکام مدل در برابر اختلال و شرایط حدی
• 45. آزمایش و شبیه‌سازی پیش از استقرار
• 46. انتخاب قالب و محیط اجرای مدل در لبه
• 47. بهینه‌سازی مصرف انرژی دستگاه‌های لبه‌ای
• 48. استقرار مدل در گره‌های فاقد اتصال دائمی
• 49. مدیریت به‌روزرسانی مدل بدون اتصال دائمی
• 50. مانیتورینگ مدل در محیط عملیاتی
• 51. تشخیص تغییر پراکنده و بازآموزی کنترل‌شده
• 52. ادغام خروجی مدل با سیستم‌های کنترل شهری
• 53. یکپارچه‌سازی مدل با دوقلوهای دیجیتال
• 54. امنیت مدل و مقابله با حملات مخرب
• 55. حریم خصوصی تفاضلی در داده‌های شهری
• 56. یادگیری فدرال برای آموزش پراکنده زیرساخت‌ها
• 57. امنیت و تجمیع امن در یادگیری فدرال
• 58. راهبرد بازآموزی و چرخه عمر مدل
• 59. طراحی پایلوت و اندازه‌گیری ارزش پروژه
• 60. پایش و پیش‌بینی شبکه‌های هوشمند انرژی
• 61. مدیریت هوشمند مصرف انرژی ساختمان‌ها
• 62. بهینه‌سازی جریان ترافیک و حمل‌ونقل عمومی
• 63. پیش‌بینی خرابی ناوگان و تجهیزات شهری
• 64. مدیریت هوشمند پسماند
• 65. پایش کیفیت هوا و آلاینده‌ها
• 66. تشخیص نشت و مدیریت هوشمند آب
• 67. پایش ساخت‌وساز و سلامت سازه‌ها
• 68. مدیریت هوشمند پارکینگ و فضاهای عمومی
• 69. هشدار و پاسخ به سیل و مخاطرات طبیعی
• 70. سناریوهای شهری برای آموزش عملی
• 71. طراحی آزمایشگاه لبه با سخت‌افزار ارزان
• 72. ارزیابی مقیاس‌پذیری، قابلیت اطمینان و بازگشت سرمایه
• 73. نقشه راه پیاده‌سازی و الزامات سازمانی