فلش‌کارت‌های آموزشی کارگاه عملی: تشخیص بیماری های برگ بتل با CBAM-CNN و هوش مصنوعی قابل توضیح

کارگاه عملی: تشخیص بیماری‌های برگ بتل با هوش مصنوعی | CBAM-CNN کارگاه عملی: تشخیص بیماری‌های برگ بتل با CBAM-CNN و هوش مصنوعی قابل توضیح آیا می‌خواهید از قدرت هوش مصنوعی برای محافظت از مزارع خود استفا...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 99,988 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 کارگاه عملی: تشخیص بیماری های برگ بتل با CBAM-CNN و هوش مصنوعی قابل توضیح

موضوع کلی: کاربرد هوش مصنوعی در کشاورزی دقیق

موضوع میانی: تشخیص بیماری های گیاهی با استفاده از یادگیری عمیق و توجه

📋 سرفصل‌های دوره

  • 1. مبانی هوش مصنوعی و یادگیری ماشین
  • 2. مقدمه ای بر یادگیری عمیق
  • 3. شبکه های عصبی کانولوشنی (CNN) - مفاهیم پایه
  • 4. شبکه های عصبی کانولوشنی (CNN) - لایه ها و معماری
  • 5. انواع توابع فعال سازی در CNN
  • 6. توابع هزینه در CNN
  • 7. بهینه سازها در CNN
  • 8. آموزش و اعتبارسنجی مدل های یادگیری عمیق
  • 9. مدیریت داده های تصویری در یادگیری عمیق
  • 10. پیش پردازش تصاویر در کشاورزی
  • 11. اهمیت تشخیص بیماری های گیاهی
  • 12. مقدمه ای بر بیماری های برگ بتل
  • 13. مجموعه داده های تصاویر برگ بتل
  • 14. جمع آوری و برچسب گذاری داده ها
  • 15. تقسیم داده ها به مجموعه های آموزش، اعتبارسنجی و آزمون
  • 16. ارزیابی عملکرد مدل های یادگیری عمیق
  • 17. معیارهای ارزیابی: دقت، صحت، حساسیت، F1-Score
  • 18. مقدمه ای بر مکانیزم های توجه (Attention Mechanisms)
  • 19. چرا مکانیزم های توجه مهم هستند؟
  • 20. مکانیزم توجه در پردازش تصویر
  • 21. معرفی CBAM (Convolutional Block Attention Module)
  • 22. مفهوم توجه فضایی (Spatial Attention)
  • 23. پیاده سازی توجه فضایی
  • 24. مفهوم توجه کانالی (Channel Attention)
  • 25. پیاده سازی توجه کانالی
  • 26. ترکیب توجه فضایی و کانالی در CBAM
  • 27. معماری CBAMIntegrated Attention Driven Model
  • 28. جزئیات معماری CNN در مقاله
  • 29. جزئیات معماری CBAM در مقاله
  • 30. ترکیب CNN و CBAM
  • 31. فلوچارت معماری مدل پیشنهادی
  • 32. مراحل آموزش مدل CBAM-CNN
  • 33. تنظیم پارامترهای هایپرپارامتر
  • 34. تنظیم نرخ یادگیری
  • 35. تنظیم اندازه بچ (Batch Size)
  • 36. تنظیم اپوک ها (Epochs)
  • 37. استفاده از توقف زودهنگام (Early Stopping)
  • 38. تنظیمات منظم سازی (Regularization)
  • 39. تنظیمات منظم سازی L1 و L2
  • 40. تنظیمات Dropout
  • 41. ارزیابی مدل CBAM-CNN بر روی مجموعه داده برگ بتل
  • 42. تحلیل نتایج ارزیابی
  • 43. مقایسه با مدل های پایه CNN
  • 44. مقایسه با مدل های CNN با مکانیزم های توجه دیگر
  • 45. تحلیل ماتریس درهم ریختگی (Confusion Matrix)
  • 46. تحلیل منحنی ROC و AUC
  • 47. مقدمه ای بر هوش مصنوعی قابل توضیح (Explainable AI - XAI)
  • 48. اهمیت XAI در تشخیص بیماری های گیاهی
  • 49. چالش های "جعبه سیاه" در مدل های یادگیری عمیق
  • 50. روش های XAI: روش های مبتنی بر گرادیان (Gradient-based)
  • 51. روش های XAI: Saliency Maps
  • 52. روش های XAI: Gradient-weighted Class Activation Mapping (Grad-CAM)
  • 53. پیاده سازی Grad-CAM بر روی مدل CBAM-CNN
  • 54. تفسیر Saliency Maps و Heatmaps
  • 55. شناسایی مناطق مهم در تصویر توسط مدل
  • 56. ارتباط Heatmaps با بیماری های برگ بتل
  • 57. ارزیابی قابل توضیح بودن مدل CBAM-CNN
  • 58. مزایای XAI در حوزه کشاورزی
  • 59. مثال هایی از کاربرد XAI در کشاورزی
  • 60. کاربرد XAI برای کشاورزان
  • 61. کاربرد XAI برای محققان
  • 62. کاربرد XAI برای توسعه دهندگان مدل
  • 63. تولید گزارش های قابل توضیح برای تشخیص بیماری
  • 64. تکنیک های تجسم سازی (Visualization) نتایج XAI
  • 65. تجسم سازی Heatmaps در کنار تصاویر اصلی
  • 66. تجسم سازی فعال سازی لایه ها (Layer Activations)
  • 67. تجسم سازی وزن ها (Weights) در CNN
  • 68. استفاده از XAI برای رفع اشکال مدل
  • 69. شناسایی خطاهای مدل با استفاده از XAI
  • 70. بهبود دقت مدل با درک خطاهای XAI
  • 71. کاربرد CBAM-CNN و XAI در کشاورزی دقیق
  • 72. تشخیص زودهنگام بیماری ها
  • 73. کاهش استفاده از سموم شیمیایی
  • 74. افزایش بازدهی محصولات
  • 75. مدیریت منابع آبی و کودی
  • 76. سیستم های پشتیبانی تصمیم گیری برای کشاورزان
  • 77. پیاده سازی یک سیستم نمونه (Prototype)
  • 78. طراحی رابط کاربری ساده برای سیستم
  • 79. انتخاب چارچوب های پیاده سازی (مانند TensorFlow, PyTorch)
  • 80. آماده سازی زیرساخت های لازم (GPU)
  • 81. ملاحظات اخلاقی در استفاده از هوش مصنوعی در کشاورزی
  • 82. حریم خصوصی داده ها
  • 83. مسئولیت پذیری در سیستم های خودکار
  • 84. چالش ها و محدودیت های مدل CBAM-CNN
  • 85. چالش های مربوط به کیفیت داده ها
  • 86. چالش های مربوط به تنوع بیماری ها
  • 87. چالش های مربوط به شرایط محیطی متغیر
  • 88. آینده پژوهی: مدل های پیشرفته تر Attention
  • 89. آینده پژوهی: مکانیزم های توجه ترانسفورمر (Transformer) در تصویر
  • 90. آینده پژوهی: ادغام چندین نوع Attention
  • 91. آینده پژوهی: کاربرد CBAM-CNN در سایر بیماری های گیاهی
  • 92. آینده پژوهی: توسعه مدل های Real-time
  • 93. آینده پژوهی: افزایش قابلیت تفسیرپذیری مدل های پیچیده تر
  • 94. آینده پژوهی: تلفیق با سنسورهای دیگر (مانند سنسورهای طیفی)
  • 95. مروری بر مفاهیم کلیدی دوره
  • 96. جمع بندی و نتیجه گیری
  • 97. جلسه پرسش و پاسخ
  • 98. پروژه نهایی: پیاده سازی مدل CBAM-CNN و XAI برای یک مجموعه داده دلخواه
  • 99. راهنمایی برای پروژه نهایی
  • 100. ارائه پروژه های دانشجویان (در صورت امکان)
SMART LEARNING PLATFORM
از مطالعه تا یادگیری ماندگار
فراتر از یک مجموعه فلش‌کارت؛ تجربه‌ای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دوره‌های واجد شرایط.
مرور فاصله‌دار آمار یادگیری گواهی دوزبانه
یادگیری را به یک مسیر قابل پیگیری تبدیل کنید
با ورود به سامانه آموزشی، محتوای دوره را به‌صورت مرحله‌ای دنبال کنید، فلش‌کارت‌ها را مرور کنید، دانش خود را با پرسش‌ها و آزمون‌ها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.
⟳
مرور فاصله‌دار هوشمند
با مرور زمان‌دار، کارت‌های تازه و کارت‌های سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخ‌ها به زمان‌بندی مرورهای بعدی کمک می‌کند تا تمرین متناسب‌تری داشته باشید.
◉
مشاهده مسیر پیشرفت
میزان مشاهده فلش‌کارت‌ها، فعالیت‌های مرور، عملکرد آزمون‌ها و آمار یادگیری را بررسی کنید و تصویر روشن‌تری از مسیر آموزشی خود داشته باشید.
▤
یادگیری مرحله‌به‌مرحله
فصل‌ها و بخش‌های آموزشی را به ترتیب دنبال کنید، مطالب دیده‌نشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.
✓
تمرین و سنجش آموخته‌ها
با نکته‌های آموزشی، پرسش و پاسخ، کوییزها و آزمون‌های پایان فصل، دانسته‌های خود را تمرین کنید و بخش‌هایی را که به توجه بیشتری نیاز دارند بشناسید.
SMART REVIEW
هر بار، مرور هدفمندتر
لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارت‌های تازه و موعد مرور کارت‌ها آماده می‌کند. شما پاسخ را ارزیابی می‌کنید و برنامه مرور با توجه به آن تنظیم می‌شود.
دوباره
برای کارت‌هایی که به تمرین زودتر نیاز دارند.
سخت
برای پاسخ‌هایی که با دشواری به یاد آمده‌اند.
خوب
برای پاسخ‌هایی که به‌درستی به یاد آورده‌اید.
آسان
برای کارت‌هایی که پاسخ آن‌ها را به‌آسانی می‌دانید.
برنامه مرور بر اساس ارزیابی شما تنظیم می‌شود؛ مرور منظم می‌تواند به تثبیت آموخته‌ها کمک کند، اما به‌تنهایی تضمین‌کننده تسلط کامل نیست.
محتوا را به شیوه‌های مختلف تمرین کنید
ساختار دوره‌ها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.
نکته‌های ساده
برای مرور سریع مفاهیم اصلی و نکات کلیدی.
نکته‌های رسمی
برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.
کوییز
برای سنجش درک مطلب و بررسی گزینه صحیح.
پرسش و پاسخ
برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.
محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه می‌شود.
LEARN ANYWHERE
همراه شما روی مرورگر
برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، می‌توانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دوره‌های در دسترس خود مراجعه کنید.
گوشی هوشمند
برای مطالعه در زمان‌های کوتاه
تبلت و لپ‌تاپ
برای مطالعه و مرور راحت‌تر
حساب کاربری شخصی
برای دسترسی به دوره‌های مجاز شما
COURSE COMPLETION CERTIFICATE
گواهی پایان دوره؛ ثبت دستاورد شما
در دوره‌هایی که امکان دریافت گواهی برای آن‌ها فعال است، می‌توانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.
شرایط درخواست گواهی
✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.
✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.
✓ مشاهده تمام فلش‌کارت‌های فعال دوره.
✓ قبولی در آزمون‌های پایان فصل، در صورت وجود آزمون برای فصل‌ها.
فارسی و انگلیسی
پس از تأیید و انتشار، نسخه‌های فارسی و انگلیسی گواهی در دسترس قرار می‌گیرند.
استعلام آنلاین
گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.
دانلود و چاپ
پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.
توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر می‌شود. این گواهی، گواهی پایان دوره آموزشی است و به‌خودی‌خود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.
یادگیری را شروع کنید؛ پیشرفت را دنبال کنید
با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدم‌به‌قدم دانش و مهارت‌هایتان را گسترش دهید.
هر کارت، یک قدم به جلو
امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.
نگاهی به محیط سامانه

یادگیری هوشمند، قدم‌به‌قدم

با محیط سامانه آموزشی آشنا شوید و نمونه‌هایی از فضای یادگیری، فلش‌کارت‌ها و ابزارهای مرور و تمرین را مشاهده کنید.

تصویر نمونه اول از سامانه آموزشی و فلش‌کارت‌ها
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه دوم از سامانه آموزشی و فلش‌کارت‌ها
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه سوم از سامانه آموزشی و فلش‌کارت‌ها
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه چهارم از سامانه آموزشی و فلش‌کارت‌ها
امکانات بیشتر سامانه
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید

یادگیری فراتر از مطالعه معمولی
با فلش‌کارت‌های آموزشی، مرور هدفمند و تمرین مستمر، مطالب را فعالانه یاد بگیرید و مسیر پیشرفت خود را دنبال کنید.

تگ‌ها: AI in Agriculture Attention Mechanism Betel Leaf Diseases CBAM CBAM-CNN Deep Learning Explainable AI Plant Disease Detection Precision Agriculture بیماری برگ بتل تشخیص بیماری های گیاهی کشاورزی دقیق هوش مصنوعی در کشاورزی هوش مصنوعی قابل توضیح یادگیری عمیق

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.