دوره تشخیص رویدادهای گذر سیارات با شبکه عصبی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص رویدادهای گذر سیارات با شبکه عصبی

موضوع کلی: کیهان‌شناسی و فیزیک نوین

موضوع میانی: شبکه‌های عصبی کانولوشنال

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر گذر سیارات
• 2. اهمیت تشخیص گذر سیارات در کیهان‌شناسی
• 3. مروری بر شبکه‌های عصبی کانولوشنال (CNN)
• 4. مبانی پردازش تصویر برای داده‌های نجومی
• 5. جمع‌آوری و آماده‌سازی داده‌های گذر سیارات
• 6. پیش‌پردازش تصاویر نجومی: حذف نویز
• 7. پیش‌پردازش تصاویر نجومی: تصحیح اعوجاج
• 8. پیش‌پردازش تصاویر نجومی: نرمال‌سازی روشنایی
• 9. معرفی مجموعه داده‌های گذر سیارات
• 10. بررسی چالش‌های تشخیص گذر سیارات
• 11. طراحی معماری CNN برای تشخیص گذر سیارات
• 12. لایه های کانولوشنال: فیلترها و ویژگی‌ها
• 13. لایه های Pooling: کاهش ابعاد و افزایش کارایی
• 14. تابع فعال‌سازی ReLU و مشتقات آن
• 15. شبکه عصبی کانولوشنال ساده برای تشخیص گذر
• 16. پیاده‌سازی CNN در پایتون با استفاده از TensorFlow/Keras
• 17. آموزش مدل CNN: انتخاب تابع هزینه و بهینه‌ساز
• 18. اعتبارسنجی مدل CNN: داده‌های آموزش و آزمایش
• 19. ارزیابی عملکرد مدل CNN: دقت، Recall، Precision
• 20. تنظیم هایپرمترها برای بهبود عملکرد
• 21. روش‌های افزایش داده (Data Augmentation)
• 22. شبکه‌های عصبی کانولوشنال عمیق‌تر (Deep CNNs)
• 23. معماری‌های پیشرفته CNN: VGGNet
• 24. معماری‌های پیشرفته CNN: ResNet
• 25. معماری‌های پیشرفته CNN: Inception
• 26. انتقال یادگیری (Transfer Learning) در تشخیص گذر سیارات
• 27. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 28. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 29. تشخیص گذر سیارات در تصاویر با نور کم
• 30. تشخیص گذر سیارات در تصاویر با نویز بالا
• 31. تشخیص چند سیاره گذران در یک تصویر
• 32. مقایسه عملکرد مدل‌های مختلف CNN
• 33. بهبود سرعت تشخیص با استفاده از GPU
• 34. مفاهیم Regularization برای جلوگیری از Overfitting
• 35. Dropout و Batch Normalization در CNN
• 36. بررسی اثر لایه‌های مختلف CNN بر تشخیص
• 37. بهینه‌سازی حافظه در آموزش مدل‌های بزرگ
• 38. استفاده از تکنیک‌های Ensemble Learning
• 39. تشخیص گذر سیارات در داده‌های سری زمانی (Time-Series)
• 40. استفاده از CNN یک‌بعدی برای داده‌های سری زمانی
• 41. ترکیب CNN با شبکه‌های عصبی بازگشتی (RNN)
• 42. تفسیرپذیری مدل‌های CNN (Explainable AI)
• 43. روش‌های Visualization برای درک تصمیمات مدل
• 44. کاربرد CNN در تشخیص سیارات فراخورشیدی
• 45. آینده تشخیص گذر سیارات با شبکه‌های عصبی