دوره یادگیری عمیق برای بینایی ماشین: از پردازش تصویر تا سامانه‌های هوشمند تشخیص و تحلیل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق برای بینایی ماشین: از پردازش تصویر تا سامانه‌های هوشمند تشخیص و تحلیل

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق برای بینایی ماشین

📋 سرفصل‌های دوره

• 1. مبانی بینایی ماشین و نقش یادگیری عمیق در تحلیل تصاویر
• 2. ساختار داده‌های تصویری و نمایش دیجیتال تصویر
• 3. پیش‌پردازش تصاویر برای مدل‌های یادگیری عمیق
• 4. نرمال‌سازی، تغییر اندازه و استانداردسازی تصاویر
• 5. افزایش داده و تکنیک‌های Data Augmentation
• 6. ساخت مجموعه‌داده آموزشی، اعتبارسنجی و آزمون
• 7. برچسب‌گذاری داده‌های تصویری و مدیریت کیفیت برچسب‌ها
• 8. مبانی شبکه‌های عصبی مصنوعی برای پردازش تصویر
• 9. ساختار و عملکرد نورون و لایه‌های شبکه عصبی
• 10. توابع فعال‌سازی و انتخاب آن‌ها در مدل‌های بینایی
• 11. تابع هزینه و معیارهای ارزیابی مدل‌های تصویری
• 12. پس‌انتشار خطا و بهینه‌سازی شبکه‌های عصبی
• 13. مشکل بیش‌برازش و روش‌های کنترل آن
• 14. منظم‌سازی، Dropout و Batch Normalization
• 15. مبانی شبکه‌های عصبی کانولوشنی
• 16. فیلترها، کرنل‌ها و عملیات کانولوشن
• 17. Padding، Stride و تأثیر آن‌ها بر ویژگی‌های استخراج‌شده
• 18. Pooling و کاهش ابعاد ویژگی‌ها
• 19. استخراج ویژگی‌های سطح پایین و سطح بالا
• 20. ساخت یک CNN پایه برای طبقه‌بندی تصاویر
• 21. طراحی معماری‌های عمیق‌تر برای مسائل بینایی ماشین
• 22. یادگیری انتقالی و استفاده از مدل‌های ازپیش‌آموزش‌دیده
• 23. Fine-Tuning مدل‌های بینایی برای داده‌های اختصاصی
• 24. معماری‌های کلاسیک CNN و مقایسه رویکردهای مختلف
• 25. معماری‌های مدرن CNN و اصول طراحی آن‌ها
• 26. طبقه‌بندی چندکلاسه و چندبرچسبی تصاویر
• 27. معیارهای Accuracy، Precision، Recall و F1
• 28. ماتریس اغتشاش و تحلیل خطاهای طبقه‌بندی
• 29. ROC، AUC و ارزیابی مدل‌های طبقه‌بندی
• 30. تشخیص اشیا و تفاوت آن با طبقه‌بندی تصویر
• 31. مبانی Bounding Box و داده‌های موردنیاز تشخیص اشیا
• 32. معماری‌های تک‌مرحله‌ای تشخیص اشیا
• 33. معماری‌های دومرحله‌ای تشخیص اشیا
• 34. IoU و معیارهای ارزیابی تشخیص اشیا
• 35. Non-Maximum Suppression و حذف پیش‌بینی‌های تکراری
• 36. تشخیص اشیا در تصاویر شلوغ و پیچیده
• 37. تشخیص اشیای کوچک و چالش‌های مقیاس
• 38. بخش‌بندی معنایی تصاویر
• 39. بخش‌بندی نمونه‌ای و تفاوت آن با بخش‌بندی معنایی
• 40. بخش‌بندی پان‌اپتیک و ترکیب وظایف بینایی
• 41. معماری‌های Encoder-Decoder برای بخش‌بندی تصویر
• 42. معیارهای IoU، Dice و Pixel Accuracy در بخش‌بندی
• 43. بخش‌بندی تصاویر پزشکی و چالش‌های آن
• 44. تشخیص و تحلیل چهره با یادگیری عمیق
• 45. استخراج ویژگی و شناسایی چهره
• 46. تخمین وضعیت بدن و تشخیص نقاط کلیدی
• 47. تشخیص فعالیت و حرکات انسان از روی تصویر
• 48. تشخیص متن و OCR با مدل‌های یادگیری عمیق
• 49. تحلیل تصاویر ماهواره‌ای و هوایی
• 50. تشخیص الگو در تصاویر صنعتی و کنترل کیفیت
• 51. کاربرد یادگیری عمیق در تحلیل تصاویر پزشکی
• 52. تشخیص ناهنجاری در تصاویر و داده‌های بصری
• 53. تشخیص تصاویر نامتعارف و Out-of-Distribution
• 54. خودرمزگذارها برای یادگیری نمایش تصویری
• 55. تشخیص ناهنجاری با Autoencoder و Variational Autoencoder
• 56. مدل‌های مولد برای تولید و بازسازی تصاویر
• 57. مبانی GAN و کاربرد آن در بینایی ماشین
• 58. بهبود کیفیت و Super-Resolution تصاویر با یادگیری عمیق
• 59. حذف نویز و بازیابی تصاویر
• 60. مدل‌های Vision Transformer و سازوکار Attention
• 61. مقایسه CNN و Vision Transformer در مسائل بینایی
• 62. یادگیری خودنظارتی برای داده‌های تصویری بدون برچسب
• 63. یادگیری بازنمایی تصویری و Contrastive Learning
• 64. یادگیری چندوجهی برای ترکیب تصویر و متن
• 65. انتخاب معماری مناسب برای مسئله بینایی ماشین
• 66. انتخاب Hyperparameterهای مدل‌های تصویری
• 67. تنظیم نرخ یادگیری و راهبردهای زمان‌بندی آن
• 68. انتخاب Batch Size و تأثیر آن بر آموزش
• 69. مدیریت عدم توازن کلاس‌ها در مجموعه‌داده‌های تصویری
• 70. تشخیص و کاهش Data Leakage در پروژه‌های بینایی
• 71. پایش فرایند آموزش و تحلیل Learning Curve
• 72. تحلیل خطا و بهبود سیستم بینایی ماشین
• 73. تفسیرپذیری مدل‌های یادگیری عمیق تصویری
• 74. روش‌های Visualization برای بررسی ویژگی‌های آموخته‌شده
• 75. استفاده از Grad-CAM برای توضیح پیش‌بینی‌های مدل
• 76. کاهش حجم و پیچیدگی مدل‌های بینایی ماشین
• 77. Pruning، Quantization و Knowledge Distillation
• 78. بهینه‌سازی مدل برای اجرا روی GPU و Edge Device
• 79. تبدیل مدل و استقرار آن در سامانه‌های کاربردی
• 80. طراحی Pipeline کامل از داده تا استقرار مدل
• 81. پایش عملکرد مدل پس از استقرار
• 82. مدیریت تغییر توزیع داده و افت عملکرد مدل
• 83. ملاحظات امنیتی در سامانه‌های بینایی ماشین
• 84. طراحی پروژه عملی طبقه‌بندی تصاویر با یادگیری عمیق
• 85. طراحی پروژه عملی تشخیص اشیا در تصاویر واقعی
• 86. طراحی پروژه عملی بخش‌بندی تصاویر
• 87. مقایسه و انتخاب مدل نهایی بر اساس دقت و هزینه محاسباتی