کتاب یادگیری با تعداد کم نمونه در بینایی ماشین: از صفر تا قهرمان با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری با تعداد کم نمونه در بینایی ماشین: از صفر تا قهرمان

موضوع کلی: هوش مصنوعی

موضوع میانی: بینایی ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری با تعداد کم نمونه (Few-Shot Learning)
• 2. چرا یادگیری با تعداد کم نمونه مهم است؟
• 3. تفاوت یادگیری با تعداد کم نمونه با یادگیری سنتی
• 4. کاربردهای عملی یادگیری با تعداد کم نمونه در بینایی ماشین
• 5. مبانی یادگیری متریک (Metric Learning)
• 6. فاصله اقلیدسی و کاربردهای آن
• 7. یادگیری مبتنی بر همسایگی (k-NN)
• 8. شبکه‌های سیامی (Siamese Networks)
• 9. تابع ضرر Contrastive Loss
• 10. شبکه‌های تطبیقی (Triplet Networks)
• 11. تابع ضرر Triplet Loss
• 12. انتخاب سه‌تایی مناسب در شبکه‌های تطبیقی
• 13. یادگیری مبتنی بر مدل (Model-based Meta-Learning)
• 14. مقدمه‌ای بر متا-یادگیری
• 15. MAML (Model-Agnostic Meta-Learning)
• 16. الگوریتم‌های بهینه‌سازی در MAML
• 17. یادگیری مبتنی بر بهینه‌سازی مدل (Optimization-based Meta-Learning)
• 18. Reptile: یک الگوریتم متا-یادگیری ساده
• 19. یادگیری مبتنی بر مدل با حافظه (Memory-augmented Neural Networks)
• 20. شبکه‌های حافظه کوتاه‌مدت (LSTM) و کاربرد آن‌ها
• 21. شبکه‌های حافظه بلندمدت (LSTMs) در یادگیری با تعداد کم نمونه
• 22. Meta-Networks
• 23. یادگیری با تعداد کم نمونه از طریق انتقال یادگیری (Transfer Learning)
• 24. Fine-tuning شبکه‌های از پیش آموزش‌دیده
• 25. استفاده از ویژگی‌های استخراج‌شده از شبکه‌های از پیش آموزش‌دیده
• 26. یادگیری با تعداد کم نمونه با استفاده از داده‌های مصنوعی (Data Augmentation)
• 27. تکنیک‌های افزایش داده در بینایی ماشین
• 28. روش‌های تولید داده‌های مصنوعی برای یادگیری با تعداد کم نمونه
• 29. یادگیری با تعداد کم نمونه با استفاده از شبکه‌های مولد تخاصمی (GANs)
• 30. تولید تصاویر جدید با استفاده از GANs
• 31. استفاده از GANs برای افزایش تنوع داده‌ها
• 32. یادگیری با تعداد کم نمونه با استفاده از خودرمزگذارها (Autoencoders)
• 33. خودرمزگذارهای متغیر (Variational Autoencoders - VAEs)
• 34. استفاده از VAEs برای یادگیری نمایش‌های داده
• 35. یادگیری با تعداد کم نمونه با استفاده از شبکه‌های توجه (Attention Networks)
• 36. مکانیسم‌های توجه در شبکه‌های عصبی
• 37. استفاده از توجه برای تمرکز بر ویژگی‌های مهم
• 38. یادگیری با تعداد کم نمونه و یادگیری تقویتی (Reinforcement Learning)
• 39. استفاده از یادگیری تقویتی برای انتخاب نمونه‌های آموزشی
• 40. Meta-Reinforcement Learning
• 41. چالش‌ها و محدودیت‌های یادگیری با تعداد کم نمونه
• 42. مسائل مربوط به تعمیم‌پذیری
• 43. اثرات اندازه مجموعه داده
• 44. مقایسه روش‌های مختلف یادگیری با تعداد کم نمونه
• 45. ارزیابی عملکرد مدل‌های یادگیری با تعداد کم نمونه
• 46. معیارهای ارزیابی (Accuracy, Precision, Recall, F1-score)
• 47. مجموعه‌داده‌های استاندارد برای یادگیری با تعداد کم نمونه (MiniImageNet, CUB)
• 48. پیاده‌سازی عملی یادگیری با تعداد کم نمونه در پایتون و TensorFlow/PyTorch
• 49. آماده‌سازی داده‌ها برای یادگیری با تعداد کم نمونه
• 50. ساخت و آموزش شبکه‌های سیامی با TensorFlow/PyTorch
• 51. ساخت و آموزش شبکه‌های تطبیقی با TensorFlow/PyTorch
• 52. استفاده از MAML در TensorFlow/PyTorch
• 53. بهینه‌سازی هایپرپارامترها در یادگیری با تعداد کم نمونه
• 54. تکنیک‌های تنظیم هایپرپارامترها
• 55. روش‌های جستجوی شبکه
• 56. کاربردهای پیشرفته یادگیری با تعداد کم نمونه
• 57. تشخیص اشیاء با تعداد کم نمونه
• 58. تقسیم‌بندی معنایی با تعداد کم نمونه
• 59. تشخیص چهره با تعداد کم نمونه
• 60. آینده یادگیری با تعداد کم نمونه
• 61. تحقیقات در حال انجام
• 62. جهت‌گیری‌های آینده