دوره CNN و رباتیک پرنده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره CNN و رباتیک پرنده

موضوع کلی: رباتیک

موضوع میانی: شبکه‌های عصبی کانولوشنی (CNN) برای رباتیک

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی کانولوشنی
• 2. معماری CNN: لایه‌های کانولوشنی
• 3. معماری CNN: لایه‌های استخرسازی
• 4. معماری CNN: توابع فعال‌سازی
• 5. معماری CNN: لایه‌های کاملاً متصل
• 6. آماده‌سازی داده‌ها برای CNN
• 7. تکنیک‌های افزایش داده‌ها
• 8. تنظیم پارامترهای CNN
• 9. بهینه‌سازها در آموزش CNN
• 10. تابع زیان و ارزیابی مدل CNN
• 11. CNN برای تشخیص تصویر
• 12. CNN برای طبقه‌بندی تصویر
• 13. CNN برای تشخیص اشیا
• 14. CNN برای تقسیم‌بندی تصویر
• 15. شبکه‌های CNN عمیق
• 16. انتقال یادگیری در CNN
• 17. مدل‌های پیش‌آموزش‌دیده CNN (VGG، ResNet، Inception)
• 18. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
• 19. CNN و پردازش تصویر
• 20. CNN و تشخیص الگو
• 21. مقدمه‌ای بر رباتیک پرنده
• 22. اجزای اصلی یک ربات پرنده
• 23. آیرودینامیک پرواز ربات‌های پرنده
• 24. سیستم‌های ناوبری ربات‌های پرنده
• 25. حسگرهای مورد استفاده در ربات‌های پرنده
• 26. کنترل پرواز ربات‌های پرنده
• 27. استفاده از CNN برای ناوبری بصری ربات‌های پرنده
• 28. تشخیص موانع با استفاده از CNN
• 29. ردیابی اشیا با استفاده از CNN در ربات‌های پرنده
• 30. برنامه‌ریزی مسیر با استفاده از CNN
• 31. استفاده از CNN برای نقشه‌برداری محیطی
• 32. CNN برای تخمین فاصله در ربات‌های پرنده
• 33. CNN برای تشخیص نوع سطح زمین
• 34. CNN برای تشخیص و اجتناب از خطرات
• 35. پردازش تصویر بلادرنگ با CNN در ربات‌های پرنده
• 36. بهینه‌سازی CNN برای سخت‌افزار ربات‌های پرنده
• 37. شبکه‌های CNN سبک برای ربات‌های پرنده با منابع محدود
• 38. اتصال CNN به سیستم‌های کنترل ربات پرنده
• 39. استفاده از CNN برای کنترل خودکار ربات پرنده
• 40. مقدمه‌ای بر یادگیری تقویتی در رباتیک پرنده
• 41. CNN و یادگیری تقویتی برای ناوبری
• 42. CNN و یادگیری تقویتی برای کنترل پرواز
• 43. CNN برای تخمین وضعیت ربات پرنده
• 44. شبکه‌های عصبی بازگشتی (RNN) و رباتیک پرنده
• 45. ترکیب CNN و RNN برای پردازش ویدئو در ربات‌های پرنده