دوره کارگاه عملی: تشخیص بیماری های برگ بتل با CBAM-CNN و هوش مصنوعی قابل توضیح همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کارگاه عملی: تشخیص بیماری های برگ بتل با CBAM-CNN و هوش مصنوعی قابل توضیح

موضوع کلی: کاربرد هوش مصنوعی در کشاورزی دقیق

موضوع میانی: تشخیص بیماری های گیاهی با استفاده از یادگیری عمیق و توجه

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه ای بر یادگیری عمیق
• 3. شبکه های عصبی کانولوشنی (CNN) - مفاهیم پایه
• 4. شبکه های عصبی کانولوشنی (CNN) - لایه ها و معماری
• 5. انواع توابع فعال سازی در CNN
• 6. توابع هزینه در CNN
• 7. بهینه سازها در CNN
• 8. آموزش و اعتبارسنجی مدل های یادگیری عمیق
• 9. مدیریت داده های تصویری در یادگیری عمیق
• 10. پیش پردازش تصاویر در کشاورزی
• 11. اهمیت تشخیص بیماری های گیاهی
• 12. مقدمه ای بر بیماری های برگ بتل
• 13. مجموعه داده های تصاویر برگ بتل
• 14. جمع آوری و برچسب گذاری داده ها
• 15. تقسیم داده ها به مجموعه های آموزش، اعتبارسنجی و آزمون
• 16. ارزیابی عملکرد مدل های یادگیری عمیق
• 17. معیارهای ارزیابی: دقت، صحت، حساسیت، F1-Score
• 18. مقدمه ای بر مکانیزم های توجه (Attention Mechanisms)
• 19. چرا مکانیزم های توجه مهم هستند؟
• 20. مکانیزم توجه در پردازش تصویر
• 21. معرفی CBAM (Convolutional Block Attention Module)
• 22. مفهوم توجه فضایی (Spatial Attention)
• 23. پیاده سازی توجه فضایی
• 24. مفهوم توجه کانالی (Channel Attention)
• 25. پیاده سازی توجه کانالی
• 26. ترکیب توجه فضایی و کانالی در CBAM
• 27. معماری CBAMIntegrated Attention Driven Model
• 28. جزئیات معماری CNN در مقاله
• 29. جزئیات معماری CBAM در مقاله
• 30. ترکیب CNN و CBAM
• 31. فلوچارت معماری مدل پیشنهادی
• 32. مراحل آموزش مدل CBAM-CNN
• 33. تنظیم پارامترهای هایپرپارامتر
• 34. تنظیم نرخ یادگیری
• 35. تنظیم اندازه بچ (Batch Size)
• 36. تنظیم اپوک ها (Epochs)
• 37. استفاده از توقف زودهنگام (Early Stopping)
• 38. تنظیمات منظم سازی (Regularization)
• 39. تنظیمات منظم سازی L1 و L2
• 40. تنظیمات Dropout
• 41. ارزیابی مدل CBAM-CNN بر روی مجموعه داده برگ بتل
• 42. تحلیل نتایج ارزیابی
• 43. مقایسه با مدل های پایه CNN
• 44. مقایسه با مدل های CNN با مکانیزم های توجه دیگر
• 45. تحلیل ماتریس درهم ریختگی (Confusion Matrix)
• 46. تحلیل منحنی ROC و AUC
• 47. مقدمه ای بر هوش مصنوعی قابل توضیح (Explainable AI - XAI)
• 48. اهمیت XAI در تشخیص بیماری های گیاهی
• 49. چالش های "جعبه سیاه" در مدل های یادگیری عمیق
• 50. روش های XAI: روش های مبتنی بر گرادیان (Gradient-based)
• 51. روش های XAI: Saliency Maps
• 52. روش های XAI: Gradient-weighted Class Activation Mapping (Grad-CAM)
• 53. پیاده سازی Grad-CAM بر روی مدل CBAM-CNN
• 54. تفسیر Saliency Maps و Heatmaps
• 55. شناسایی مناطق مهم در تصویر توسط مدل
• 56. ارتباط Heatmaps با بیماری های برگ بتل
• 57. ارزیابی قابل توضیح بودن مدل CBAM-CNN
• 58. مزایای XAI در حوزه کشاورزی
• 59. مثال هایی از کاربرد XAI در کشاورزی
• 60. کاربرد XAI برای کشاورزان
• 61. کاربرد XAI برای محققان
• 62. کاربرد XAI برای توسعه دهندگان مدل
• 63. تولید گزارش های قابل توضیح برای تشخیص بیماری
• 64. تکنیک های تجسم سازی (Visualization) نتایج XAI
• 65. تجسم سازی Heatmaps در کنار تصاویر اصلی
• 66. تجسم سازی فعال سازی لایه ها (Layer Activations)
• 67. تجسم سازی وزن ها (Weights) در CNN
• 68. استفاده از XAI برای رفع اشکال مدل
• 69. شناسایی خطاهای مدل با استفاده از XAI
• 70. بهبود دقت مدل با درک خطاهای XAI
• 71. کاربرد CBAM-CNN و XAI در کشاورزی دقیق
• 72. تشخیص زودهنگام بیماری ها
• 73. کاهش استفاده از سموم شیمیایی
• 74. افزایش بازدهی محصولات
• 75. مدیریت منابع آبی و کودی
• 76. سیستم های پشتیبانی تصمیم گیری برای کشاورزان
• 77. پیاده سازی یک سیستم نمونه (Prototype)
• 78. طراحی رابط کاربری ساده برای سیستم
• 79. انتخاب چارچوب های پیاده سازی (مانند TensorFlow, PyTorch)
• 80. آماده سازی زیرساخت های لازم (GPU)
• 81. ملاحظات اخلاقی در استفاده از هوش مصنوعی در کشاورزی
• 82. حریم خصوصی داده ها
• 83. مسئولیت پذیری در سیستم های خودکار
• 84. چالش ها و محدودیت های مدل CBAM-CNN
• 85. چالش های مربوط به کیفیت داده ها
• 86. چالش های مربوط به تنوع بیماری ها
• 87. چالش های مربوط به شرایط محیطی متغیر
• 88. آینده پژوهی: مدل های پیشرفته تر Attention
• 89. آینده پژوهی: مکانیزم های توجه ترانسفورمر (Transformer) در تصویر
• 90. آینده پژوهی: ادغام چندین نوع Attention
• 91. آینده پژوهی: کاربرد CBAM-CNN در سایر بیماری های گیاهی
• 92. آینده پژوهی: توسعه مدل های Real-time
• 93. آینده پژوهی: افزایش قابلیت تفسیرپذیری مدل های پیچیده تر
• 94. آینده پژوهی: تلفیق با سنسورهای دیگر (مانند سنسورهای طیفی)
• 95. مروری بر مفاهیم کلیدی دوره
• 96. جمع بندی و نتیجه گیری
• 97. جلسه پرسش و پاسخ
• 98. پروژه نهایی: پیاده سازی مدل CBAM-CNN و XAI برای یک مجموعه داده دلخواه
• 99. راهنمایی برای پروژه نهایی
• 100. ارائه پروژه های دانشجویان (در صورت امکان)