دوره پروژه عملی طبقه‌بندی خودکار کهکشان‌ها با CNN همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پروژه عملی طبقه‌بندی خودکار کهکشان‌ها با CNN

موضوع کلی: کیهان‌شناسی و فیزیک نوین

موضوع میانی: شبکه‌های عصبی کانولوشنال

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر طبقه‌بندی کهکشان‌ها
• 2. معرفی انواع کهکشان‌ها (بیضوی، مارپیچی، نامنظم)
• 3. داده‌ست‌های تصویر کهکشان‌ها: منابع و ساختار
• 4. مروری بر یادگیری ماشین و یادگیری عمیق
• 5. شبکه‌های عصبی: اصول اولیه
• 6. معرفی شبکه‌های عصبی کانولوشنال (CNN)
• 7. لایه کانولوشن: فیلترها و نگاشت ویژگی
• 8. لایه Pooling: کاهش ابعاد و افزایش پایداری
• 9. توابع فعال‌سازی: ReLU, Sigmoid, Tanh
• 10. تابع هزینه (Loss Function): Cross-Entropy
• 11. بهینه‌سازی: Gradient Descent و انواع آن
• 12. معماری‌های CNN رایج (LeNet, AlexNet, VGG)
• 13. پیاده‌سازی CNN با استفاده از TensorFlow/Keras
• 14. آماده‌سازی داده‌ها: پیش‌پردازش تصاویر کهکشان
• 15. افزایش داده (Data Augmentation)
• 16. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
• 17. ساخت مدل CNN برای طبقه‌بندی کهکشان‌ها
• 18. آموزش مدل CNN
• 19. ارزیابی مدل: دقت، صحت، Recall، F1-score
• 20. ماتریس درهم‌ریختگی (Confusion Matrix)
• 21. تنظیم هایپرپارامترها: Learning Rate, Batch Size, Epochs
• 22. Regularization: جلوگیری از بیش‌برازش (Overfitting)
• 23. Dropout: تکنیکی برای جلوگیری از Overfitting
• 24. Batch Normalization: بهبود سرعت آموزش و پایداری
• 25. انتقال یادگیری (Transfer Learning) با مدل‌های از پیش آموزش‌دیده
• 26. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 27. استفاده از مدل‌های از پیش آموزش‌دیده (مانند InceptionV3, ResNet)
• 28. ویژوالیزه کردن ویژگی‌های یادگرفته شده توسط CNN
• 29. تفسیرپذیری مدل‌های CNN
• 30. بهبود مدل با استفاده از معماری‌های پیشرفته‌تر
• 31. مقایسه عملکرد مدل‌های مختلف CNN
• 32. ذخیره و بارگذاری مدل آموزش‌دیده
• 33. استقرار مدل برای پیش‌بینی‌های جدید
• 34. بهینه‌سازی مدل برای استقرار روی سخت‌افزارهای محدود
• 35. بررسی خطاها و تحلیل نمونه‌های طبقه‌بندی نادرست
• 36. کار با داده‌های بزرگ تصاویر کهکشان
• 37. استفاده از GPU برای تسریع آموزش مدل
• 38. مقدمه‌ای بر روش‌های Ensemble Learning
• 39. ترکیب مدل‌های CNN مختلف برای بهبود عملکرد
• 40. بررسی مقالات علمی مرتبط با طبقه‌بندی کهکشان‌ها با CNN