دوره تشخیص ناهنجاری با مدل‌های Transformer سبک در دستگاه‌های لبه‌ای همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری با مدل‌های Transformer سبک در دستگاه‌های لبه‌ای

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

• 1. تشخیص ناهنجاری و کاربردهای آن
• 2. مبانی مدل‌های Transformer
• 3. معماری مدل‌های Transformer
• 4. مکانیسم توجه (Attention) در Transformerها
• 5. Transformerهای سبک: معرفی و ضرورت
• 6. روش‌های کاهش حجم مدل‌های Transformer
• 7. کوانتیزاسیون مدل‌های Transformer
• 8. هرس (Pruning) مدل‌های Transformer
• 9. تقطیر دانش (Knowledge Distillation) برای Transformerها
• 10. بهینه‌سازی Transformerها برای دستگاه‌های لبه‌ای
• 11. مفاهیم دستگاه‌های لبه‌ای و محدودیت‌ها
• 12. معرفی فریم‌ورک‌های محبوب برای پیاده‌سازی Transformerها
• 13. TensorFlow Lite برای Transformerها
• 14. PyTorch Mobile برای Transformerها
• 15. ONNX Runtime برای Transformerها
• 16. جمع‌آوری و آماده‌سازی داده‌های تشخیص ناهنجاری
• 17. روش‌های پیش‌پردازش داده برای Transformerها
• 18. برچسب‌گذاری داده‌ها برای تشخیص ناهنجاری
• 19. معرفی دیتاست‌های رایج تشخیص ناهنجاری
• 20. ارزیابی عملکرد مدل‌های تشخیص ناهنجاری
• 21. معیارهای ارزیابی: دقت، صحت، فراخوانی، F1-score
• 22. ماتریس درهم‌ریختگی (Confusion Matrix)
• 23. منحنی ROC و AUC
• 24. تشخیص ناهنجاری در داده‌های سری زمانی
• 25. تشخیص ناهنجاری در تصاویر
• 26. تشخیص ناهنجاری در داده‌های متنی
• 27. تشخیص ناهنجاری در داده‌های صوتی
• 28. کاربردهای تشخیص ناهنجاری در صنایع مختلف
• 29. تشخیص ناهنجاری در سیستم‌های نظارتی
• 30. تشخیص ناهنجاری در شبکه‌های حسگر بی‌سیم
• 31. تشخیص ناهنجاری در سیستم‌های صنعتی
• 32. تشخیص ناهنجاری در حوزه سلامت
• 33. تشخیص ناهنجاری در تراکنش‌های مالی
• 34. روش‌های آموزش مدل‌های Transformer برای تشخیص ناهنجاری
• 35. یادگیری خودنظارتی (Self-Supervised Learning)
• 36. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 37. یادگیری انتقالی (Transfer Learning)
• 38. بهبود پایداری مدل‌های Transformer در برابر داده‌های پرت
• 39. روش‌های مقابله با داده‌های نامتعادل
• 40. بهینه‌سازی مصرف انرژی Transformerها در دستگاه‌های لبه‌ای
• 41. تکنیک‌های کاهش محاسبات در زمان استنتاج
• 42. استفاده از سخت‌افزارهای شتاب‌دهنده (مانند GPU و TPU)
• 43. پیاده‌سازی تشخیص ناهنجاری با Transformerها در یک مورد مطالعاتی
• 44. چالش‌ها و محدودیت‌های تشخیص ناهنجاری با Transformerها
• 45. آینده تشخیص ناهنجاری با مدل‌های Transformer سبک
• 46. روش‌های ترکیب Transformerها با سایر مدل‌های یادگیری ماشین
• 47. تشخیص ناهنجاری چندوجهی (Multimodal Anomaly Detection)
• 48. استفاده از Transformerها برای تشخیص ناهنجاری در گراف‌ها
• 49. تفسیرپذیری مدل‌های Transformer در تشخیص ناهنجاری
• 50. روش‌های تجسم و تحلیل نتایج تشخیص ناهنجاری
• 51. تکنیک‌های افزایش امنیت مدل‌های Transformer در برابر حملات خصمانه
• 52. بررسی موردی: تشخیص ناهنجاری در داده‌های ترافیکی
• 53. بررسی موردی: تشخیص ناهنجاری در داده‌های سنسورهای صنعتی
• 54. بررسی موردی: تشخیص ناهنجاری در داده‌های پزشکی
• 55. تأثیر انتخاب هایپرپارامترها بر عملکرد مدل
• 56. روش‌های تنظیم خودکار هایپرپارامترها
• 57. بهینه‌سازی معماری Transformer برای یک مسئله خاص
• 58. معرفی کتابخانه‌ها و ابزارهای کمکی برای تشخیص ناهنجاری
• 59. مفاهیم پایه‌ای آمار و احتمال در تشخیص ناهنجاری
• 60. مفاهیم پایه‌ای پردازش سیگنال در تشخیص ناهنجاری
• 61. روش‌های ارزیابی کیفیت داده‌ها
• 62. تکنیک‌های مدیریت داده‌های بزرگ در تشخیص ناهنجاری
• 63. مبانی یادگیری عمیق و شبکه‌های عصبی
• 64. مفاهیم کلیدی در پردازش زبان طبیعی (NLP)
• 65. مفاهیم کلیدی در بینایی ماشین (Computer Vision)
• 66. روش‌های کاهش ابعاد داده‌ها
• 67. روش‌های انتخاب ویژگی (Feature Selection)
• 68. مفاهیم اساسی امنیت سایبری و حفاظت از داده‌ها