دوره از لایه‌های کانولوشن تا استخراج ویژگی‌های قدرتمند با CNN همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از لایه‌های کانولوشن تا استخراج ویژگی‌های قدرتمند با CNN

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی کانولوشنال (CNN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
• 2. مفاهیم پایه در شبکه‌های عصبی
• 3. لایه‌های کانولوشن: هسته و عملیات
• 4. فیلترها و ویژگی‌های استخراج شده
• 5. پدینگ و استراید در کانولوشن
• 6. لایه‌های پولینگ: کاهش ابعاد
• 7. انواع لایه‌های پولینگ: ماکزیمم و اَوِریج
• 8. تابع فعال‌سازی: معرفی و کاربرد
• 9. تابع فعال‌سازی ReLU و مشتقات آن
• 10. لایه‌های کاملاً متصل (Fully Connected)
• 11. شبکه‌های عصبی کانولوشنال ساده
• 12. معماری‌های اولیه CNN: LeNet-5
• 13. مجموعه داده‌های تصویری: MNIST
• 14. آموزش یک CNN ساده با Keras
• 15. مفهوم گرادیان کاهشی
• 16. پس‌انتشار خطا (Backpropagation)
• 17. بهینه‌سازها: SGD، Adam، RMSprop
• 18. تنظیم نرخ یادگیری
• 19. تنظیم هایپرپارامترها
• 20. اعتبارسنجی متقاطع (Cross-validation)
• 21. تنظیم‌گری (Regularization) برای جلوگیری از بیش‌برازش
• 22. تکنیک Dropout
• 23. افزایش داده (Data Augmentation)
• 24. انواع افزایش داده: چرخش، برش، زوم
• 25. معماری‌های پیشرفته CNN: AlexNet
• 26. معماری VGG و عمق شبکه‌ها
• 27. معماری GoogLeNet و ماژول Inception
• 28. معماری ResNet و اتصالات باقی‌مانده
• 29. شبکه‌های عصبی کانولوشنال عمیق‌تر
• 30. استخراج ویژگی‌های سطح پایین
• 31. استخراج ویژگی‌های سطح بالا
• 32. یادگیری سلسله مراتبی ویژگی‌ها
• 33. کاربرد CNN در طبقه‌بندی تصاویر
• 34. مجموعه داده‌های تصویری: CIFAR-10
• 35. آموزش CNN برای طبقه‌بندی CIFAR-10
• 36. شبکه‌های عصبی کانولوشنال برای تشخیص اشیاء
• 37. مفهوم جعبه مرز (Bounding Box)
• 38. معماری‌های تشخیص اشیاء: R-CNN
• 39. معماری Fast R-CNN
• 40. معماری Faster R-CNN
• 41. معماری YOLO (You Only Look Once)
• 42. معماری SSD (Single Shot MultiBox Detector)
• 43. مقایسه معماری‌های تشخیص اشیاء
• 44. کاربرد CNN در بخش‌بندی تصاویر (Segmentation)
• 45. مفهوم ماسک بخش‌بندی
• 46. معماری‌های بخش‌بندی: FCN (Fully Convolutional Networks)
• 47. معماری U-Net
• 48. کاربرد CNN در تولید تصاویر
• 49. شبکه‌های مولد تخاصمی (GANs)
• 50. مقدمه‌ای بر GANs
• 51. ساختار Generator و Discriminator
• 52. آموزش GANs
• 53. کاربرد GANs در تولید تصاویر واقع‌گرایانه
• 54. شبکه‌های عصبی کانولوشنال برای پردازش زبان طبیعی
• 55. کاربرد CNN در تحلیل متن
• 56. استخراج ویژگی‌های متنی با CNN
• 57. شبکه‌های عصبی کانولوشنال در بازی‌ها
• 58. کاربرد CNN در سیستم‌های توصیه‌گر
• 59. مجموعه داده‌های تصویری: ImageNet
• 60. آموزش CNN بر روی ImageNet
• 61. بهینه‌سازی عملکرد CNN
• 62. تکنیک‌های تنظیمی پیشرفته
• 63. معماری‌های CNN خاص منظوره
• 64. CNN برای پردازش سیگنال
• 65. CNN برای داده‌های سه‌بعدی
• 66. CNN برای استخراج ویژگی‌های فضایی-زمانی
• 67. شبکه‌های عصبی کانولوشنال و یادگیری انتقالی (Transfer Learning)
• 68. استفاده از مدل‌های از پیش آموزش دیده
• 69. تنظیم دقیق (Fine-tuning) مدل‌ها
• 70. مزایای یادگیری انتقالی
• 71. کاربرد یادگیری انتقالی در CNN
• 72. آموزش CNN برای وظایف جدید با داده کم
• 73. ملاحظات اخلاقی در استفاده از CNN
• 74. حریم خصوصی و داده‌های تصویری
• 75. سوگیری در داده‌های آموزشی CNN
• 76. تشخیص و کاهش سوگیری
• 77. مسئولیت‌پذیری در توسعه CNN
• 78. آینده شبکه‌های عصبی کانولوشنال
• 79. CNN و هوش مصنوعی عمومی
• 80. تحولات اخیر در CNN
• 81. چالش‌های پیش رو در CNN
• 82. کاربردهای نوظهور CNN
• 83. مقایسه CNN با سایر معماری‌های یادگیری عمیق
• 84. شبکه‌های عصبی بازگشتی (RNN)
• 85. شبکه‌های عصبی ترنسفورمر (Transformer)
• 86. مزایای CNN در استخراج ویژگی محلی
• 87. محدودیت‌های CNN در درک روابط دوربرد
• 88. ترکیب CNN با RNN
• 89. ترکیب CNN با ترنسفورمر
• 90. بهبود دقت در CNN
• 91. کاهش پیچیدگی محاسباتی CNN
• 92. کاربرد CNN در پزشکی
• 93. تشخیص بیماری‌ها با CNN
• 94. تحلیل تصاویر پزشکی با CNN
• 95. CNN در حوزه مالی
• 96. پیش‌بینی روند بازار با CNN
• 97. تحلیل اخبار مالی با CNN
• 98. CNN در حوزه کشاورزی
• 99. تشخیص آفات و بیماری‌های گیاهی
• 100. بهینه‌سازی مصرف منابع با CNN