دوره دیپ لرنینگ عملی برای بینایی ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دیپ لرنینگ عملی برای بینایی ماشین

موضوع کلی: هوش مصنوعی

موضوع میانی: بینایی ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی ماشین و دیپ لرنینگ
• 2. مروری بر کاربردهای دیپ لرنینگ در بینایی ماشین
• 3. آشنایی با فریم‌ورک‌های دیپ لرنینگ (TensorFlow, PyTorch)
• 4. نصب و راه‌اندازی محیط توسعه دیپ لرنینگ
• 5. مبانی یادگیری عمیق: نورون‌ها و شبکه‌های عصبی
• 6. توابع فعال‌سازی (Activation Functions) و نقش آن‌ها
• 7. روش‌های بهینه‌سازی (Optimization Algorithms)
• 8. تنظیم‌کننده‌های (Regularizers) و جلوگیری از بیش‌برازش (Overfitting)
• 9. مجموعه‌داده‌ها (Datasets) در بینایی ماشین: انواع و منابع
• 10. آماده‌سازی داده‌ها: نرمال‌سازی، افزایش داده (Data Augmentation)
• 11. شبکه‌های عصبی کانولوشنی (CNN): اصول و معماری
• 12. لایه‌های کانولوشنی (Convolutional Layers) و فیلترها
• 13. لایه Pooling و کاهش ابعاد
• 14. معماری‌های معروف CNN: LeNet, AlexNet, VGGNet
• 15. پیاده‌سازی CNN برای تشخیص تصویر
• 16. انتقال یادگیری (Transfer Learning) و استفاده از مدل‌های از پیش آموزش‌دیده
• 17. Fine-tuning مدل‌های از پیش آموزش‌دیده برای وظایف خاص
• 18. تشخیص اشیاء (Object Detection) با استفاده از R-CNN
• 19. Faster R-CNN و بهبود سرعت تشخیص اشیاء
• 20. SSD (Single Shot MultiBox Detector) و تشخیص اشیاء Real-time
• 21. YOLO (You Only Look Once) و تشخیص اشیاء سریع و دقیق
• 22. Segmentation معنایی (Semantic Segmentation) و تفکیک پیکسل‌ها
• 23. U-Net و کاربرد آن در Segmentation
• 24. تشخیص چهره (Face Detection) و شناسایی چهره (Face Recognition)
• 25. شبکه‌های GAN (Generative Adversarial Networks) و تولید تصاویر
• 26. DCGAN (Deep Convolutional GAN) و تولید تصاویر با کیفیت
• 27. CycleGAN و انتقال سبک تصویر (Image Style Transfer)
• 28. Autoencoders و کاهش ابعاد داده‌ها
• 29. Variational Autoencoders (VAE) و تولید داده‌های جدید
• 30. شبکه‌های Recurrent برای پردازش دنباله‌های تصویری
• 31. LSTM (Long Short-Term Memory) و کاربرد آن در ویدئو
• 32. شبکه‌های 3D CNN برای پردازش ویدئو
• 33. Object Tracking و دنبال کردن اشیاء در ویدئو
• 34. Action Recognition و تشخیص فعالیت‌ها در ویدئو
• 35. دیپ لرنینگ برای Image Captioning
• 36. Visual Question Answering (VQA)
• 37. تشخیص ناهنجاری (Anomaly Detection) در تصاویر
• 38. کاربرد دیپ لرنینگ در تصاویر پزشکی
• 39. دیپ لرنینگ برای Self-Driving Cars
• 40. تفسیرپذیری (Interpretability) مدل‌های دیپ لرنینگ در بینایی ماشین
• 41. روش‌های Visualizing Activation Maps
• 42. Gradient-weighted Class Activation Mapping (Grad-CAM)
• 43. استفاده از TensorBoard برای مانیتورینگ و تجسم آموزش
• 44. بهینه‌سازی عملکرد مدل‌های دیپ لرنینگ
• 45. انتخاب هایپرپارامترها (Hyperparameter Tuning)
• 46. استفاده از تکنیک‌های Quantization و Pruning
• 47. استقرار (Deployment) مدل‌های دیپ لرنینگ
• 48. استفاده از TensorFlow Serving و TorchServe
• 49. چالش‌ها و آینده دیپ لرنینگ در بینایی ماشین
• 50. مباحث پیشرفته در دیپ لرنینگ برای بینایی ماشین