دوره طبقه‌بندی تصاویر با شبکه‌های عصبی کانولوشن (CNN) در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طبقه‌بندی تصاویر با شبکه‌های عصبی کانولوشن (CNN) در پایتون

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و یادگیری عمیق
• 2. شبکه‌های عصبی: مبانی و مفاهیم کلیدی
• 3. معرفی شبکه‌های عصبی کانولوشن (CNN)
• 4. مزایای CNN نسبت به شبکه‌های عصبی سنتی
• 5. معماری یک شبکه CNN: لایه‌ها و اجزا
• 6. لایه‌های کانولوشن: فیلترها، نقشه‌ها و ویژگی‌ها
• 7. لایه‌های Pooling: کاهش ابعاد و افزایش کارایی
• 8. توابع فعال‌سازی: ReLU, Sigmoid, Tanh و کاربردها
• 9. تابع هزینه (Loss Function): انتخاب مناسب برای طبقه‌بندی تصاویر
• 10. الگوریتم‌های بهینه‌سازی: Gradient Descent و انواع آن
• 11. Backpropagation: درک نحوه یادگیری شبکه
• 12. Overfitting و Underfitting: تشخیص و رفع
• 13. Regularization: L1 و L2 برای جلوگیری از Overfitting
• 14. Dropout: تکنیکی برای بهبود تعمیم‌پذیری مدل
• 15. Data Augmentation: افزایش حجم داده‌های آموزشی
• 16. پیش‌پردازش تصاویر: نرمال‌سازی، تغییر اندازه و ...
• 17. معرفی کتابخانه‌های پایتون برای یادگیری عمیق: TensorFlow و Keras
• 18. ایجاد یک مدل CNN ساده در Keras
• 19. بارگیری و آماده‌سازی مجموعه داده‌های تصاویر (MNIST, CIFAR-10)
• 20. آموزش مدل CNN: تنظیم پارامترها و نظارت بر فرآیند
• 21. ارزیابی مدل: دقت، صحت، Recall و F1-score
• 22. ماتریس درهم‌ریختگی (Confusion Matrix): تحلیل نتایج
• 23. تنظیم هایپرپارامترها: نرخ یادگیری، batch size و ...
• 24. استفاده از Callbackها در Keras: Early Stopping و Model Checkpoint
• 25. انتقال یادگیری (Transfer Learning): استفاده از مدل‌های پیش‌آموزش‌دیده
• 26. معرفی مدل‌های پیش‌آموزش‌دیده: VGG16, ResNet50, InceptionV3
• 27. Fine-tuning مدل‌های پیش‌آموزش‌دیده برای مجموعه داده‌های خاص
• 28. ساخت یک مدل CNN برای طبقه‌بندی تصاویر سفارشی
• 29. استفاده از Generative Adversarial Networks (GANs) برای تولید داده‌های آموزشی
• 30. تفسیرپذیری مدل‌های CNN: Visualizing Activations
• 31. تکنیک‌های پیشرفته‌تر CNN: Depthwise Separable Convolutions
• 32. شبکه‌های Inception: معماری و کاربردها
• 33. شبکه‌های Residual (ResNet): حل مشکل vanishing gradient
• 34. شبکه‌های DenseNet: اتصال متراکم لایه‌ها
• 35. Attention Mechanisms در CNNها
• 36. Object Detection با CNNها: معرفی YOLO و SSD
• 37. Semantic Segmentation با CNNها: تقسیم‌بندی تصاویر
• 38. Instance Segmentation با CNNها: تشخیص و جداسازی اشیاء
• 39. کاربرد CNNها در حوزه‌های مختلف: پزشکی، کشاورزی، خودران و ...
• 40. استقرار مدل CNN آموزش‌دیده: وب، موبایل و ...
• 41. بهینه‌سازی مدل CNN برای استقرار: Quantization و Pruning