کتاب استفاده از تکنیک‌های افزایش داده (Data Augmentation) برای استحکام مدل با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از تکنیک‌های افزایش داده (Data Augmentation) برای استحکام مدل

موضوع کلی: توسعه برنامه‌های وب پیشرفته

موضوع میانی: Machine learning model robustness

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استحکام مدل‌های یادگیری ماشین
• 2. چالش‌های عدم استحکام مدل‌ها در دنیای واقعی
• 3. اهمیت افزایش داده در بهبود استحکام مدل
• 4. مروری بر تکنیک‌های اصلی افزایش داده
• 5. افزایش داده برای داده‌های تصویر: چرخش
• 6. افزایش داده برای داده‌های تصویر: برش
• 7. افزایش داده برای داده‌های تصویر: تغییر مقیاس
• 8. افزایش داده برای داده‌های تصویر: انتقال
• 9. افزایش داده برای داده‌های تصویر: تغییر رنگ
• 10. افزایش داده برای داده‌های تصویر: افزودن نویز
• 11. افزایش داده برای داده‌های تصویر: Flip افقی و عمودی
• 12. افزایش داده برای داده‌های تصویر: تکنیک‌های پیشرفته‌تر (Elastic Transformations, Mixup, CutMix)
• 13. افزایش داده برای داده‌های متنی: جایگزینی کلمات مترادف
• 14. افزایش داده برای داده‌های متنی: حذف کلمات تصادفی
• 15. افزایش داده برای داده‌های متنی: درج کلمات تصادفی
• 16. افزایش داده برای داده‌های متنی: جابجایی کلمات
• 17. افزایش داده برای داده‌های متنی: Back Translation
• 18. افزایش داده برای داده‌های صوتی: تغییر سرعت
• 19. افزایش داده برای داده‌های صوتی: تغییر زیر و بم (Pitch Shifting)
• 20. افزایش داده برای داده‌های صوتی: افزودن نویز
• 21. افزایش داده برای داده‌های سری زمانی: Jittering
• 22. افزایش داده برای داده‌های سری زمانی: Scaling
• 23. افزایش داده برای داده‌های سری زمانی: Rotation
• 24. افزایش داده برای داده‌های جدولی: SMOTE (Synthetic Minority Oversampling Technique)
• 25. افزایش داده برای داده‌های جدولی: ADASYN (Adaptive Synthetic Sampling Approach)
• 26. انتخاب تکنیک مناسب افزایش داده بر اساس نوع داده
• 27. بررسی تاثیر افزایش داده بر عملکرد مدل
• 28. ارزیابی استحکام مدل پس از افزایش داده
• 29. استفاده از کتابخانه‌های افزایش داده (ImageDataGenerator در Keras، Albumentations)
• 30. افزایش داده آنلاین (On-the-fly Data Augmentation) در مقابل آفلاین (Offline Data Augmentation)
• 31. پیاده‌سازی افزایش داده در TensorFlow
• 32. پیاده‌سازی افزایش داده در PyTorch
• 33. استفاده از AutoAugment و Learned Augmentation Policies
• 34. مدیریت بیش‌برازش (Overfitting) با استفاده از افزایش داده
• 35. تکنیک‌های ترکیبی افزایش داده
• 36. افزایش داده و داده‌های نامتعادل (Imbalanced Data)
• 37. استفاده از GANs برای افزایش داده
• 38. افزایش داده در یادگیری تقویتی (Reinforcement Learning)
• 39. بهینه‌سازی فرآیند افزایش داده
• 40. افزایش داده در یادگیری خودنظارتی (Self-Supervised Learning)
• 41. تأثیر افزایش داده بر قابلیت تعمیم (Generalization) مدل
• 42. افزایش داده و مسائل مربوط به حریم خصوصی داده
• 43. ملاحظات اخلاقی در استفاده از افزایش داده
• 44. استفاده از افزایش داده برای مقابله با حملات خصمانه (Adversarial Attacks)