دوره CNN در رباتیک صنعتی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره CNN در رباتیک صنعتی

موضوع کلی: رباتیک

موضوع میانی: شبکه‌های عصبی کانولوشنی (CNN) برای رباتیک

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی
• 2. آشنایی با پردازش تصویر در رباتیک
• 3. پیاده‌سازی CNN برای تشخیص اشیاء
• 4. مجموعه‌داده‌های رایج در رباتیک و پردازش تصویر
• 5. پیش‌پردازش تصاویر برای شبکه‌های CNN
• 6. لایه‌های کانولوشنی: هسته‌ها و نقش آن‌ها
• 7. لایه‌های Pooling: کاهش ابعاد و ویژگی‌ها
• 8. تابع فعال‌سازی: ReLU، Sigmoid و TanH
• 9. بهینه‌سازها: Gradient Descent و انواع آن
• 10. تابع هزینه (Loss Function): MSE، Cross-Entropy
• 11. بک‌پروپاگیشن (Backpropagation) در CNN
• 12. تنظیم پارامترهای CNN (Hyperparameter Tuning)
• 13. جلوگیری از بیش‌برازش (Overfitting) در CNN
• 14. Regularization: L1 و L2
• 15. Data Augmentation: افزایش تنوع داده
• 16. انتقال یادگیری (Transfer Learning) در رباتیک
• 17. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 18. معماری‌های معروف CNN: AlexNet، VGGNet
• 19. معماری‌های معروف CNN: ResNet، Inception
• 20. پیاده‌سازی CNN با استفاده از TensorFlow
• 21. پیاده‌سازی CNN با استفاده از Keras
• 22. پیاده‌سازی CNN با استفاده از PyTorch
• 23. تشخیص اشیاء در تصاویر رباتیک: R-CNN
• 24. تشخیص اشیاء در تصاویر رباتیک: Fast R-CNN
• 25. تشخیص اشیاء در تصاویر رباتیک: Faster R-CNN
• 26. تشخیص اشیاء در تصاویر رباتیک: YOLO
• 27. تشخیص اشیاء در تصاویر رباتیک: SSD
• 28. Segmentation معنایی (Semantic Segmentation)
• 29. Instance Segmentation: تفکیک نمونه‌ها
• 30. شبکه‌های GAN برای تولید تصاویر رباتیک
• 31. شبکه‌های عصبی بازگشتی (RNN) در رباتیک
• 32. LSTMs و GRUs برای پردازش داده‌های زمانی
• 33. تشخیص حرکات با استفاده از CNN و RNN
• 34. کنترل ربات با استفاده از CNN
• 35. ناوبری ربات با استفاده از پردازش تصویر
• 36. بینایی ماشین برای ربات‌های خودران
• 37. تشخیص چهره با استفاده از CNN
• 38. تشخیص حالات چهره با استفاده از CNN
• 39. برآورد عمق با استفاده از CNN
• 40. بازسازی سه‌بعدی با استفاده از CNN
• 41. یادگیری تقویتی (Reinforcement Learning) در رباتیک
• 42. استفاده از CNN برای یادگیری تقویتی
• 43. تشخیص ناهنجاری در تصاویر رباتیک
• 44. ارزیابی عملکرد مدل‌های CNN
• 45. استقرار مدل‌های CNN بر روی ربات‌ها