کتاب شبکه‌های کانولوشنال کانونی: تکنیک‌ها و ابزارها 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 شبکه‌های کانولوشنال کانونی: تکنیک‌ها و ابزارها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی کانولوشنال (CNN)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
  • 2. کانولوشن: هسته اصلی CNNها
  • 3. فیلترها و نقش آن‌ها در تشخیص الگو
  • 4. تابع فعال‌سازی ReLU و اهمیت آن
  • 5. لایه‌های Pooling: کاهش ابعاد و افزایش کارایی
  • 6. Max Pooling و Average Pooling: مقایسه و کاربردها
  • 7. معماری‌های استاندارد CNN: LeNet-5
  • 8. معماری‌های استاندارد CNN: AlexNet
  • 9. معماری‌های استاندارد CNN: VGGNet
  • 10. معماری‌های استاندارد CNN: GoogLeNet (Inception)
  • 11. معماری‌های استاندارد CNN: ResNet
  • 12. تفکیک‌پذیری کانولوشن (Separable Convolutions)
  • 13. کانولوشن‌های dilated
  • 14. شبکه‌های کانولوشنال عمیق‌تر: چالش‌ها و راهکارها
  • 15. تنظیم پارامترهای CNN: نرخ یادگیری، Batch Size و Optimizerها
  • 16. Regularization در CNNها: Dropout و Weight Decay
  • 17. Data Augmentation برای بهبود عملکرد CNN
  • 18. انتقال یادگیری (Transfer Learning) در CNNها
  • 19. Fine-tuning مدل‌های از پیش آموزش‌دیده
  • 20. شبکه‌های کانولوشنال برای پردازش تصاویر رنگی
  • 21. شبکه‌های کانولوشنال برای پردازش تصاویر grayscale
  • 22. تشخیص اشیاء با CNN: Region-based CNN (R-CNN)
  • 23. Fast R-CNN و Faster R-CNN
  • 24. Single Shot Detector (SSD)
  • 25. YOLO: You Only Look Once
  • 26. Segmentation تصاویر با CNN
  • 27. U-Net برای Segmentation تصاویر پزشکی
  • 28. شبکه‌های کانولوشنال سه بعدی (3D CNN)
  • 29. کاربرد CNN در پردازش ویدئو
  • 30. شبکه‌های کانولوشنال گرافیکی (GCN)
  • 31. CNN و پردازش زبان طبیعی (NLP)
  • 32. استفاده از CNN برای تحلیل احساسات
  • 33. شبکه‌های کانولوشنال و تشخیص تقلب
  • 34. CNN برای تشخیص ناهنجاری‌ها
  • 35. پیاده‌سازی CNN با TensorFlow/Keras
  • 36. پیاده‌سازی CNN با PyTorch
  • 37. بهینه‌سازی CNN برای دستگاه‌های موبایل و embedded
  • 38. Quantization و Pruning در CNN
  • 39. Distillation دانش در CNN
  • 40. تفسیرپذیری CNN: Visualizing Activations
  • 41. Grad-CAM: Gradient-weighted Class Activation Mapping
  • 42. CNN و شبکه‌های مولد تخاصمی (GANs)
  • 43. کاربردهای پیشرفته CNN در صنایع مختلف
  • 44. چالش‌ها و آینده CNN
تگ‌ها: CNN computer vision convolutional neural network deep learning image processing Keras PyTorch segmentation TensorFlow انتقال یادگیری پردازش تصویر تشخیص اشیا شبکه عصبی کانولوشنال هوش مصنوعی یادگیری عمیق

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.