کتاب یادگیری عمیق برای داده‌های تصویری با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق برای داده‌های تصویری

موضوع کلی: مدیریت و تحلیل داده‌های کلان (Big Data)

موضوع میانی: تحلیل داده‌های تصویری

📋 سرفصل‌های دوره

• 1. مبانی پردازش تصویر دیجیتال
• 2. نمایش و ذخیره‌سازی تصاویر
• 3. پیش‌پردازش تصاویر: بهبود کیفیت
• 4. فیلترهای خطی و غیرخطی در پردازش تصویر
• 5. تشخیص لبه‌ها و ویژگی‌ها
• 6. تبدیل فوریه و کاربردهای آن در تصویر
• 7. مورفولوژی ریاضی و عملیات باز و بسته
• 8. بخش‌بندی تصاویر: روش‌های آستانه‌گذاری
• 9. بخش‌بندی تصاویر: روش‌های ناحیه‌ای
• 10. بخش‌بندی تصاویر: روش‌های لبه‌محور
• 11. استخراج ویژگی‌ها از تصاویر
• 12. رسم ویژگی‌ها و توصیف‌گرها
• 13. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی
• 14. لایه‌های کانولوشنی و توابع فعال‌سازی
• 15. لایه‌های Pooling و تنظیم‌کننده‌ها
• 16. معماری‌های رایج شبکه‌های عصبی کانولوشنی
• 17. شبکه‌های VGG و ResNet
• 18. شبکه‌های Inception و DenseNet
• 19. انتقال یادگیری و Fine-tuning
• 20. تشخیص اشیاء با استفاده از شبکه‌های عصبی
• 21. دسته‌بندی تصاویر با شبکه‌های عصبی
• 22. Segmentation معنایی تصاویر
• 23. Segmentation نمونه‌ای تصاویر
• 24. شبکه‌های U-Net برای Segmentation
• 25. Object Tracking در تصاویر
• 26. تخمین Pose و ژست در تصاویر
• 27. تشخیص چهره و ویژگی‌های آن
• 28. بازسازی تصاویر با استفاده از شبکه‌های عصبی
• 29. تولید تصاویر با استفاده از شبکه‌های GAN
• 30. شبکه‌های Conditional GAN
• 31. ارزیابی عملکرد مدل‌های یادگیری عمیق
• 32. متریک‌های ارزیابی در تشخیص اشیاء
• 33. متریک‌های ارزیابی در Segmentation
• 34. بهینه‌سازی مدل‌های یادگیری عمیق
• 35. تنظیم هایپرپارامترها و Regularization
• 36. روش‌های افزایش داده‌ها (Data Augmentation)
• 37. کاربرد یادگیری عمیق در تصاویر پزشکی
• 38. کاربرد یادگیری عمیق در تصاویر ماهواره‌ای
• 39. کاربرد یادگیری عمیق در خودروهای خودران
• 40. کاربرد یادگیری عمیق در نظارت تصویری
• 41. استفاده از TensorFlow و Keras
• 42. استفاده از PyTorch برای یادگیری عمیق
• 43. پیاده‌سازی پروژه‌های عملی یادگیری عمیق
• 44. چالش‌ها و آینده‌ی یادگیری عمیق در پردازش تصویر