دوره بینایی ماشین برای ربات‌ها با CNN همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بینایی ماشین برای ربات‌ها با CNN

موضوع کلی: رباتیک

موضوع میانی: شبکه‌های عصبی کانولوشنی (CNN) برای رباتیک

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی ماشین و رباتیک
• 2. پردازش تصویر دیجیتال: اصول و مبانی
• 3. پیش‌پردازش تصاویر برای شبکه‌های عصبی کانولوشنی
• 4. مروری بر شبکه‌های عصبی کانولوشنی (CNN)
• 5. لایه های کانولوشنی: فیلترها و نقش آنها
• 6. لایه های Pooling: کاهش ابعاد و افزایش کارایی
• 7. توابع فعال سازی در شبکه‌های CNN
• 8. تابع هزینه و الگوریتم‌های بهینه‌سازی
• 9. معماری‌های مشهور CNN: LeNet-5
• 10. معماری‌های مشهور CNN: AlexNet
• 11. معماری‌های مشهور CNN: VGGNet
• 12. معماری‌های مشهور CNN: GoogLeNet (Inception)
• 13. معماری‌های مشهور CNN: ResNet
• 14. انتقال یادگیری (Transfer Learning) در بینایی ماشین
• 15. Fine-tuning شبکه‌های CNN پیش‌آموزش‌دیده
• 16. تشخیص اشیاء با استفاده از CNN
• 17. Segmentation معنایی تصاویر با CNN
• 18. شبکه‌های Fully Convolutional (FCN)
• 19. Recognition تصویر با استفاده از CNN
• 20. Dataset های رایج در بینایی ماشین
• 21. ارزیابی عملکرد مدل‌های بینایی ماشین
• 22. متریک‌های ارزیابی: دقت، بازیابی، F1-score
• 23. Data Augmentation برای بهبود عملکرد مدل
• 24. Regularization در شبکه‌های CNN
• 25. Dropout و Batch Normalization
• 26. شبکه‌های GAN برای تولید تصاویر
• 27. کاربردهای بینایی ماشین در رباتیک: ناوبری
• 28. کاربردهای بینایی ماشین در رباتیک: تشخیص مانع
• 29. کاربردهای بینایی ماشین در رباتیک: گرفتن اشیاء
• 30. کاربردهای بینایی ماشین در رباتیک: بازرسی
• 31. بینایی ماشین و ربات‌های خودران
• 32. سیستم‌های Vision-Based Servoing
• 33. ادغام سنسورهای مختلف در رباتیک
• 34. پردازش تصاویر رنگی و چند کاناله
• 35. شناسایی الگوها در تصاویر
• 36. استفاده از CNN برای تشخیص چهره
• 37. تشخیص حالات چهره با استفاده از CNN
• 38. شبکه‌های CNN برای تشخیص اشیاء کوچک
• 39. شبکه‌های CNN برای تصاویر با وضوح بالا
• 40. بهبود سرعت و کارایی CNN
• 41. CNN های سبک وزن برای دستگاه های تعبیه شده
• 42. استفاده از GPU برای آموزش CNN
• 43. پیاده‌سازی CNN با استفاده از TensorFlow
• 44. پیاده‌سازی CNN با استفاده از PyTorch
• 45. استفاده از Keras برای ساخت مدل‌های CNN