دوره تشخیص فعالیت‌های انسانی در ویدیو با استفاده از شبکه‌های عصبی گراف همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص فعالیت‌های انسانی در ویدیو با استفاده از شبکه‌های عصبی گراف

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: پردازش سیگنال‌های زمانی و داده‌های سریالی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش سیگنال‌های زمانی
• 2. مبانی ریاضی سیگنال‌ها و سیستم‌ها
• 3. تبدیل فوریه و کاربردهای آن در پردازش سیگنال
• 4. تبدیل موجک و تحلیل چند‌نرده‌ای
• 5. پردازش سیگنال‌های گسسته
• 6. فیلترهای دیجیتال: طراحی و پیاده‌سازی
• 7. روش‌های تخمین طیف
• 8. پردازش سیگنال‌های غیر‌خطی
• 9. مفاهیم اولیه‌ی یادگیری ماشین
• 10. شبکه‌های عصبی مصنوعی: مبانی و معماری‌ها
• 11. شبکه‌های عصبی پیچشی (CNN) برای پردازش ویدیو
• 12. شبکه‌های عصبی بازگشتی (RNN) و حافظه طولانی‌مدت (LSTM)
• 13. پردازش زبان طبیعی و کاربردهای آن در تحلیل ویدیو
• 14. استخراج ویژگی از ویدیو: روش‌های سنتی
• 15. استخراج ویژگی از ویدیو: روش‌های مبتنی بر یادگیری عمیق
• 16. شبکه‌های عصبی گراف (GNN): مقدمه‌ای
• 17. نمایش گراف برای داده‌های ویدیو
• 18. الگوریتم‌های انتشار پیام در GNN
• 19. شبکه‌های گراف پیچشی (GCN)
• 20. شبکه‌های گراف بازگشتی (GRNN)
• 21. تشخیص فعالیت‌های انسانی: چالش‌ها و رویکردها
• 22. مجموعه‌داده‌های استاندارد برای تشخیص فعالیت
• 23. آماده‌سازی داده‌های ویدیو برای GNN
• 24. معماری‌های GNN برای تشخیص فعالیت در ویدیو
• 25. یادگیری انتقالی در تشخیص فعالیت
• 26. تکنیک‌های افزایش داده برای بهبود عملکرد
• 27. ارزیابی مدل‌های تشخیص فعالیت
• 28. متریک‌های ارزیابی: دقت، فراخوانی، F1-score
• 29. بهینه‌سازی مدل‌های GNN
• 30. تنظیم ابرپارامترها
• 31. روش‌های مقابله با بیش‌برازش
• 32. کاربردهای عملی تشخیص فعالیت در ویدیو
• 33. نظارت تصویری و امنیت
• 34. تحلیل رفتار در ورزش
• 35. کمک به افراد کم‌توان
• 36. تشخیص فعالیت در رباتیک
• 37. بررسی موردی: تشخیص افتادن افراد سالمند
• 38. بررسی موردی: تشخیص حرکات خطرناک در محیط کار
• 39. بررسی موردی: تحلیل رفتار مشتری در فروشگاه‌ها
• 40. شبکه‌های گراف توجهی (GAT)
• 41. شبکه‌های گراف پویا (DGN)
• 42. ادغام GNN با سایر معماری‌های یادگیری عمیق
• 43. یادگیری خودنظارتی برای GNN
• 44. پردازش ویدیوهای سه بعدی با GNN
• 45. روش‌های کاهش ابعاد برای داده‌های گراف
• 46. تفسیرپذیری مدل‌های GNN
• 47. چالش‌های مقیاس‌پذیری GNN
• 48. آینده‌ی تشخیص فعالیت با استفاده از GNN
• 49. مباحث پیشرفته در پردازش سیگنال‌های زمانی
• 50. تکنیک‌های همگام‌سازی سیگنال
• 51. پردازش سیگنال‌های چند‌حسی
• 52. کاربرد پردازش سیگنال در تشخیص الگو
• 53. روش‌های نوین در فیلتر کردن نویز
• 54. تحلیل سیگنال‌های غیر‌ایستا
• 55. پردازش سیگنال‌های با نرخ نمونه‌برداری متغیر
• 56. مبانی تئوری اطلاعات و کاربرد آن در پردازش سیگنال
• 57. پردازش سیگنال‌های بیولوژیکی
• 58. پردازش سیگنال‌های صوتی
• 59. پردازش سیگنال‌های تصویری
• 60. مفاهیم پردازش موازی سیگنال
• 61. پردازش سیگنال در سیستم‌های بی‌سیم
• 62. تکنیک‌های فشرده‌سازی سیگنال
• 63. مفاهیم پردازش سیگنال در حوزه فرکانس
• 64. روش‌های پیش‌بینی سیگنال
• 65. تحلیل سیگنال‌های تصادفی
• 66. پردازش سیگنال‌های چند‌بعدی
• 67. کاربرد پردازش سیگنال در کنترل سیستم‌ها
• 68. شبکه‌های عصبی گراف برای تحلیل ویدیوهای ورزشی
• 69. تشخیص حرکات پیچیده با GNN
• 70. درک تعاملات بین افراد در ویدیو با GNN
• 71. تشخیص رویدادهای غیرمعمول در ویدیو با GNN
• 72. مدل‌سازی رفتار انسان با GNN