دوره تشخیص ناهنجاری با شبکه‌های عصبی سبک در دستگاه‌های Embedded همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری با شبکه‌های عصبی سبک در دستگاه‌های Embedded

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

• 1. مقدمه برای سیستم‌های تعبیه‌شده: معماری و محدودیت‌های منابع
• 2. پیش‌پردازش داده‌های سنسور در محیط‌های Embedded
• 3. مبانی یادگیری ماشین برای مهندسی تعبیه‌شده
• 4. معرفی شبکه‌های عصبی عمیق و معماری‌های پایه
• 5. آشنایی با مفهوم ناهنجاری و انواع آن در سیستم‌های صنعتی
• 6. الگوریتم‌های کلاسیک تشخیص ناهنجاری و محدودیت‌های آن‌ها
• 7. معماری شبکه‌های عصبی خودمشاهده (Autoencoder) برای تشخیص ناهنجاری
• 8. ساختار Convolutional Autoencoder و کاربرد در سیگنال‌های تعبیه‌شده
• 9. LSTM و GRU برای شناسایی ناهنجاری در داده‌های سری زمانی Embedded
• 10. شبکه‌های عصبی با دیاتمیک یکنواخت (Denoising Autoencoder) برای فیلتر نویز
• 11. معماری Lightweight: شبکه‌های عصبی کم‌پارامتر برای دستگاه‌های محدود
• 12. شبکه‌های عصبی باینری (Binary Neural Networks) و مزایای آن‌ها در Embedded
• 13. معماری MobileNet و SqueezeNet: کاهش همگرایی مدل‌های عمیق
• 14. شبکه‌های عصبی خودمشاهده فشرده (Compressed Autoencoder) برای سیستم‌های تعبیه‌شده
• 15. نمونه‌برداری دانه‌ای (Quantization) شبکه‌های عصبی برای پردازنده‌های میکروکنترولری
• 16. پرونه‌سازی مدل (Pruning) و حذف پیوندهای بی‌اثیر برای کاهش سنگینی شبکه
• 17. پیدایش دانه‌ای (Knowledge Distillation): انتقال دانش از مدل بزرگ به مدل سبک
• 18. استفاده از شبکه‌های کانولوشنی کم‌عمق برای تشخیص ناهنجاری تصویری در Embedded
• 19. تشخیص ناهنجاری مبتنی بر Transformerهای سبک در دستگاه‌های تعبیه‌شده
• 20. معماری TinyML: اجرای شبکه‌های عصبی روی میکروکنترلرها
• 21. فریم‌ورک TensorFlow Lite Micro برای پیاده‌سازی مدل‌های سبک
• 22. فریم‌ورک Edge Impulse و گردش کار طراحی مدل تشخیص ناهنجاری
• 23. پیاده‌سازی Inference روی ESP32 و STM32 با مدل‌های عصبی سبک
• 24. بهینه‌سازی حافظه: مدیریت وزن‌ها و فعالیت‌ها در حافظه محدود Embedded
• 25. پیاده‌سازی پشته‌بندی (Quantization-Aware Training) برای دقت بالاتر در مدل‌های فشرده
• 26. تابع هزینه و معیارهای ارزیابی مدل‌های تشخیص ناهنجاری در Embedded
• 27. تعادل بین دقت و سرعت استنتاج در سیستم‌های لحظه‌ای
• 28. پهنای باند محاسباتی و محدودیت‌های MAC در پردازنده‌های تعبیه‌شده
• 29. پیاده‌سازی عموم‌سازی (Generalization) در مدل‌های تشخیص ناهنجاری سبک
• 30. مدل‌سازی سری زمانی با 1D-CNN سبک برای سنسورهای IoT
• 31. تشخیص ناهنجاری مبتنی بر تحلیل فرکانسی با شبکه‌های عصبی سبک
• 32. استفاده از Signal Processing و ترکیب آن با لایه‌های عصبی در Embedded
• 33. پایش سلامت موتور با تشخیص ناهنجاری با شبکه‌عصبی سبک
• 34. تشخیص ناهنجاری در سیستم‌های HVAC با مدل‌های Lightweight
• 35. شناسایی ناهنجاری در داده‌های سنسورهای حرارتی و فشار با Autoencoder سبک
• 36. تشخیص ناهنجاری در سیستم‌های باتری و مدیریت انرژی با شبکه‌های عصبی
• 37. پیاده‌سازی Real-Time Anomaly Detection روی پردازنده‌های Cortex-M
• 38. استفاده از ESP-NOW و پروتکل‌های لبه‌ای برای ارسال هشدار ناهنجاری
• 39. تست و اعتبارسنجی مدل تشخیص ناهنجاری در شرایط واقعی Embedded
• 40. مدیریت خطا و ریکاوری در سیستم‌های تشخیص ناهنجاری Embedded
• 41. به‌روزرسانی مدل (Model Update) بدون قطعی در دستگاه‌های تعبیه‌شده
• 42. پیش‌نیازهای سخت‌افزاری: انتخاب سنسور و پردازنده مناسب برای تشخیص ناهنجاری
• 43. نصب و پیکربندی محیط توسعه Edge برای مدل‌های عصبی Embedded
• 44. ساخت دیتاست برای آموزش تشخیص ناهنجاری در دستگاه‌های Embedded
• 45. افزایش داده (Data Augmentation) برای داده‌های ناهنجاری محدود
• 46. آموزش مدل تشخیص ناهنجاری روی ابر و استقرار روی لبه
• 47. پروتکل‌های ارتباطی MQTT و CoAP در معماری تشخیص ناهنجاری Embedded
• 48. مقایسه عملکرد مدل‌های تشخیص ناهنجاری سبک: Precision, Recall, F1-Score
• 49. تحلیل تأثیر نویز سنسور برای دقت مدل تشخیص ناهنجاری
• 50. مدل‌سازی انحرافات کلاسیکی (Statistical Process Control) ترکیبی با شبکه‌های عصبی
• 51. تشخیص ناهنجاری چند‌مدلی (Ensemble) با شبکه‌های عصبی سبک در Embedded
• 52. پیاده‌سازی Federated Learning برای آموزش تجمیعی تشخیص ناهنجاری در Edge
• 53. معماری استوانه‌ای (Federated Anomaly Detection) برای سیستم‌های IoT گسترده
• 54. محدودیت‌های استنتاج شبکه‌های عصبی سبک و راهکارهای عملی
• 55. بهینه‌سازی انرژی در مدل‌های تشخیص ناهنجاری برای دستگاه‌های باتری‌دار
• 56. تحلیل تأثیر دما و رطوبت بر عملکرد مدل‌های عصبی در Embedded
• 57. پروژه‌ی پایانی: طراحی سیستم کامل تشخیص ناهنجاری با شبکه‌عصبی سبک روی میکروکنترلر