دوره CNN برای کنترل ربات همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره CNN برای کنترل ربات

موضوع کلی: رباتیک

موضوع میانی: شبکه‌های عصبی کانولوشنی (CNN) برای رباتیک

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی کانولوشنی
• 2. معماری کلی CNN
• 3. لایه‌های کانولوشنی: اصول و کاربردها
• 4. فیلترها و هسته‌ها در شبکه‌های CNN
• 5. تابع فعال‌سازی در لایه‌های کانولوشنی
• 6. لایه‌های Pooling: انواع و کاربردها
• 7. Pooling حداکثری (Max Pooling)
• 8. Pooling میانگین (Average Pooling)
• 9. انتخاب اندازه هسته و گام (Stride)
• 10. نقش Padding در شبکه‌های CNN
• 11. ساختار یک شبکه CNN نمونه
• 12. آماده‌سازی داده‌ها برای CNN
• 13. نرمال‌سازی داده‌ها
• 14. افزایش داده‌ها (Data Augmentation)
• 15. مجموعه داده‌های تصویر رایج
• 16. پیاده‌سازی CNN با استفاده از TensorFlow
• 17. پیاده‌سازی CNN با استفاده از Keras
• 18. آموزش شبکه‌های CNN: الگوریتم‌های بهینه‌سازی
• 19. تابع هزینه (Loss Function) در CNN
• 20. انتخاب نرخ یادگیری (Learning Rate)
• 21. تنظیم هایپرپارامترها
• 22. جلوگیری از بیش‌برازش (Overfitting)
• 23. روش‌های Regularization
• 24. Dropout در شبکه‌های CNN
• 25. Batch Normalization
• 26. انتقال یادگیری (Transfer Learning)
• 27. مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 28. VGGNet: معماری و کاربردها
• 29. ResNet: معماری و کاربردها
• 30. Inception: معماری و کاربردها
• 31. استفاده از CNN برای تشخیص اشیا
• 32. تشخیص اشیا با استفاده از YOLO
• 33. تشخیص اشیا با استفاده از SSD
• 34. Segmention معنایی (Semantic Segmentation)
• 35. Instance Segmentation
• 36. CNN برای طبقه‌بندی تصاویر
• 37. CNN برای ردیابی اشیا
• 38. CNN برای تشخیص چهره
• 39. CNN برای تشخیص نقاط عطف در تصاویر
• 40. کاربرد CNN در پردازش ویدئو
• 41. CNN برای تحلیل تصاویر پزشکی
• 42. تشخیص بیماری‌ها با استفاده از CNN
• 43. CNN برای خودروهای خودران
• 44. CNN و پردازش زبان طبیعی (NLP)
• 45. شبکه‌های CNN یک بعدی (1D CNN)