اکسپرس 24
کتاب تشخیص ناهنجاری با TensorFlow Lite Micro با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

کتاب تشخیص ناهنجاری با TensorFlow Lite Micro با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری با TensorFlow Lite Micro

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر تشخیص ناهنجاری در سیستم‌های تعبیه‌شده
  • 2. کاربردهای تشخیص ناهنجاری در سیستم‌های تعبیه‌شده
  • 3. آشنایی با TensorFlow Lite Micro
  • 4. نصب و راه‌اندازی TensorFlow Lite Micro
  • 5. مفاهیم کلیدی یادگیری ماشین برای تشخیص ناهنجاری
  • 6. آماده‌سازی داده‌ها برای آموزش مدل تشخیص ناهنجاری
  • 7. انتخاب ویژگی‌های مناسب برای تشخیص ناهنجاری
  • 8. معماری‌های مدل‌های یادگیری ماشین برای تشخیص ناهنجاری
  • 9. شبکه‌های عصبی خودرمزگذار (Autoencoders)
  • 10. شبکه‌های عصبی بازگشتی (RNN) برای تشخیص ناهنجاری
  • 11. شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص ناهنجاری
  • 12. آموزش مدل‌های تشخیص ناهنجاری با TensorFlow Lite Micro
  • 13. ارزیابی عملکرد مدل‌های تشخیص ناهنجاری
  • 14. معیارهای ارزیابی: دقت، بازخوانی، F1-score
  • 15. پیاده‌سازی مدل تشخیص ناهنجاری بر روی میکروکنترلر
  • 16. بهینه‌سازی مدل TensorFlow Lite Micro برای منابع محدود
  • 17. کوانتیزاسیون (Quantization) مدل‌های TensorFlow Lite Micro
  • 18. تکنیک‌های کاهش حجم مدل TensorFlow Lite Micro
  • 19. استفاده از شتاب‌دهنده‌های سخت‌افزاری برای TensorFlow Lite Micro
  • 20. استقرار مدل تشخیص ناهنجاری بر روی پلتفرم‌های مختلف
  • 21. تشخیص ناهنجاری در داده‌های حسگرها (Sensor Data)
  • 22. تشخیص ناهنجاری در داده‌های سری زمانی (Time Series Data)
  • 23. تشخیص ناهنجاری در داده‌های صوتی
  • 24. تشخیص ناهنجاری در داده‌های تصویری
  • 25. تشخیص ناهنجاری در داده‌های شبکه‌های صنعتی (Industrial Networks)
  • 26. نظارت بر سلامت تجهیزات با تشخیص ناهنجاری
  • 27. تشخیص ناهنجاری در سیستم‌های IoT
  • 28. امنیت سیستم‌های تعبیه‌شده با تشخیص ناهنجاری
  • 29. به‌روزرسانی و نگهداری مدل‌های تشخیص ناهنجاری
  • 30. استفاده از یادگیری انتقالی (Transfer Learning) برای تشخیص ناهنجاری
  • 31. تکنیک‌های افزایش داده (Data Augmentation) برای بهبود عملکرد مدل
  • 32. بررسی موردی: تشخیص ناهنجاری در سیستم‌های خودرویی
  • 33. بررسی موردی: تشخیص ناهنجاری در سیستم‌های پزشکی
  • 34. بررسی موردی: تشخیص ناهنجاری در سیستم‌های نظارتی
  • 35. عیب‌یابی و رفع اشکال در پیاده‌سازی TensorFlow Lite Micro
تگ‌ها: Anomaly Detection Autoencoders CNN Embedded Systems Industrial IoT IoT Machine Learning Microcontrollers Model Optimization Predictive Maintenance Quantization RNN Sensor Data TensorFlow Lite Micro Time Series

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.