🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: پایش هوشمند شبکه‌های آب: تشخیص آنلاین و بدون نظارت نشتی و گرفتگی لوله با هوش مصنوعی

موضوع کلی: تشخیص ناهنجاری و پیش‌بینی خطا

موضوع میانی: تشخیص ناهنجاری با یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر اهمیت پایش هوشمند شبکه‌های توزیع آب
• 2. چالش‌های جهانی در مدیریت منابع آب: نشتی و هدررفت
• 3. آناتومی یک شبکه توزیع آب (WDN): اجزا و عملکرد
• 4. انواع ناهنجاری در شبکه‌های آب: گرفتگی، نشتی و شکستگی
• 5. مروری بر روش‌های سنتی تشخیص نشتی و گرفتگی
• 6. هوش مصنوعی و یادگیری ماشین: انقلابی در مدیریت زیرساخت‌ها
• 7. معرفی دوره و نقشه راه یادگیری
• 8. مبانی یادگیری ماشین: بانظارت، بدون نظارت و تقویتی
• 9. چرا یادگیری بدون نظارت برای این مسئله مناسب است؟
• 10. مفهوم تشخیص ناهنجاری (Anomaly Detection)
• 11. انواع ناهنجاری: نقطه‌ای، زمینه‌ای و جمعی
• 12. تفاوت تشخیص آنلاین (Online) و آفلاین (Offline)
• 13. معرفی مقاله الهام‌بخش: اهداف و نوآوری‌ها
• 14. داده‌ها در شبکه‌های آب: سنسورهای فشار، جریان و کیفیت
• 15. آشنایی با سیستم‌های اسکادا (SCADA) و جمع‌آوری داده
• 16. مقدمه‌ای بر تحلیل داده‌های سری زمانی (Time Series Analysis)
• 17. محیط برنامه‌نویسی: پایتون، Jupyter و کتابخانه‌های کلیدی
• 18. آشنایی با NumPy برای محاسبات عددی
• 19. کار با داده‌های جدولی با Pandas
• 20. مصورسازی داده‌های سری زمانی با Matplotlib و Seaborn
• 21. بارگذاری و کاوش اولیه در مجموعه داده شبیه‌سازی‌شده یک شبکه آب
• 22. پیش‌پردازش داده‌ها: اولین گام حیاتی
• 23. مدیریت مقادیر گمشده (Missing Values) در داده‌های سنسور
• 24. تکنیک‌های فیلتر کردن نویز از سیگنال‌ها
• 25. استانداردسازی و نرمال‌سازی داده‌ها (Standardization & Normalization)
• 26. مهندسی ویژگی (Feature Engineering) برای داده‌های سری زمانی
• 27. ایجاد ویژگی‌های مبتنی بر پنجره زمانی (Time Windows)
• 28. استخراج ویژگی‌های آماری: میانگین، واریانس، انحراف معیار
• 29. استخراج ویژگی‌های مبتنی بر دامنه فرکانس (مانند FFT)
• 30. مفهوم همبستگی بین سنسورهای مختلف در شبکه
• 31. کاهش ابعاد: چرا و چگونه؟
• 32. مبانی ریاضی تحلیل مؤلفه‌های اصلی (PCA)
• 33. پیاده‌سازی گام به گام PCA با Scikit-Learn
• 34. تفسیر مؤلفه‌های اصلی در زمینه شبکه آب
• 35. بازسازی داده از فضای کاهش‌یافته
• 36. مفهوم خطای بازسازی (Reconstruction Error)
• 37. استفاده از PCA برای تشخیص ناهنجاری
• 38. فضای اصلی (Principal Subspace) و فضای باقیمانده (Residual Subspace)
• 39. آمار Q یا خطای پیش‌بینی مربعی (SPE)
• 40. آمار T-squared هتلینگ (Hotelling's T²)
• 41. محاسبه و مصورسازی آمارهای Q و T² برای داده‌های نرمال
• 42. تعیین آستانه کنترلی برای تشخیص ناهنجاری
• 43. شناسایی ناهنجاری‌ها با استفاده از آستانه‌های آماری
• 44. مقدمه‌ای بر یادگیری عمیق برای تشخیص ناهنجاری
• 45. آشنایی با شبکه‌های عصبی مصنوعی (ANN)
• 46. معماری خودرمزگذار (Autoencoder) و کاربرد آن
• 47. لایه رمزگذار (Encoder) و لایه رمزگشا (Decoder)
• 48. فضای نهان (Latent Space) و بازنمایی فشرده داده‌ها
• 49. تابع هزینه در خودرمزگذارها: خطای بازسازی
• 50. آموزش یک خودرمزگذار ساده با Keras/TensorFlow
• 51. استفاده از خطای بازسازی خودرمزگذار به عنوان امتیاز ناهنجاری
• 52. مقایسه PCA و خودرمزگذارها برای تشخیص ناهنجاری
• 53. خودرمزگذارهای عمیق (Deep Autoencoders)
• 54. خودرمزگذارهای تنک (Sparse Autoencoders)
• 55. خودرمزگذارهای حذف نویز (Denoising Autoencoders)
• 56. سایر الگوریتم‌های بدون نظارت: جنگل ایزوله (Isolation Forest)
• 57. الگوریتم ماشین بردار پشتیبان تک کلاسه (One-Class SVM)
• 58. روش‌های مبتنی بر خوشه بندی: DBSCAN و ناهنجاری‌ها
• 59. چالش‌های پیاده‌سازی مدل‌ها در حالت آنلاین
• 60. مدل‌های ایستا در مقابل مدل‌های پویا (تطبیقی)
• 61. یادگیری افزایشی (Incremental Learning) و به‌روزرسانی مدل
• 62. مفهوم رانش مفهوم (Concept Drift) در داده‌های سری زمانی
• 63. راهکارهای مقابله با رانش مفهوم در پایش شبکه‌ها
• 64. طراحی معماری یک سیستم تشخیص ناهنجاری آنلاین
• 65. جریان داده (Data Pipeline): از سنسور تا مدل
• 66. استفاده از ابزارهایی مانند Apache Kafka برای جریان داده
• 67. ذخیره‌سازی و بازیابی داده‌های سری زمانی (Time-Series Databases)
• 68. پیاده‌سازی سیستم امتیازدهی و هشداردهی (Scoring & Alerting)
• 69. تنظیم حساسیت مدل: مصالحه بین هشدارهای صحیح و کاذب
• 70. ارزیابی عملکرد مدل‌های تشخیص ناهنجاری
• 71. معیارهای ارزیابی: دقت، صحت، یادآوری (Precision, Recall)
• 72. ماتریس درهم‌ریختگی (Confusion Matrix) برای مسائل نامتوازن
• 73. منحنی مشخصه عملکرد گیرنده (ROC Curve) و سطح زیر آن (AUC)
• 74. چالش ارزیابی در غیاب داده‌های برچسب‌دار (Ground Truth)
• 75. استفاده از داده‌های شبیه‌سازی‌شده برای ارزیابی
• 76. معرفی ابزار شبیه‌سازی هیدرولیک EPANET
• 77. تولید داده‌های نرمال و ناهنجار (نشتی و گرفتگی) با EPANET
• 78. مطالعه موردی ۱: پیاده‌سازی مدل PCA روی داده‌های شبیه‌سازی‌شده
• 79. تحلیل نتایج و شناسایی ناهنجاری‌های شبیه‌سازی‌شده
• 80. مطالعه موردی ۲: پیاده‌سازی مدل خودرمزگذار عمیق
• 81. مقایسه عملکرد دو مدل در سناریوهای مختلف
• 82. تحلیل تأخیر در تشخیص (Detection Delay)
• 83. تمایز بین انواع ناهنجاری: آیا می‌توان نشتی را از گرفتگی تشخیص داد؟
• 84. تحلیل الگوی باقیمانده‌ها برای شناسایی نوع خطا
• 85. مکان‌یابی ناهنجاری (Fault Localization) در شبکه
• 86. استفاده از همبستگی فضایی سنسورها برای مکان‌یابی
• 87. مباحث پیشرفته: مدل‌های ترکیبی (Hybrid Models)
• 88. ادغام مدل‌های مبتنی بر دانش و مدل‌های داده‌محور
• 89. مقدمه‌ای بر مدل‌های گرافی برای شبکه‌های آب
• 90. استفاده از شبکه‌های عصبی گرافی (GNN) برای تشخیص ناهنجاری
• 91. چالش‌های استقرار سیستم در دنیای واقعی
• 92. مقیاس‌پذیری (Scalability) مدل برای شبکه‌های بزرگ
• 93. ملاحظات محاسباتی و سخت‌افزاری
• 94. امنیت داده‌ها و سیستم‌های پایش هوشمند
• 95. اخلاق در هوش مصنوعی: شفافیت و تفسیرپذیری مدل‌ها
• 96. ارائه نتایج به ذینفعان و مدیران شبکه
• 97. جمع‌بندی نهایی و مرور کلی بر دوره
• 98. آینده پایش هوشمند زیرساخت‌های حیاتی
• 99. گام‌های بعدی برای تبدیل شدن به یک متخصص در این حوزه