🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: CMCRL: آموزش گام به گام طبقه‌بندی بیماری‌های مرکبات با یادگیری خودنظارتی

موضوع کلی: هوش مصنوعی در کشاورزی

موضوع میانی: یادگیری عمیق برای تشخیص بیماری‌های گیاهی

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر هوش مصنوعی در کشاورزی
• 2. اهمیت تشخیص بیماری‌های گیاهی در کشاورزی مدرن
• 3. چالش‌های کشاورزی هوشمند و نقش هوش مصنوعی
• 4. مروری بر بیماری‌های رایج مرکبات و علائم آن‌ها
• 5. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 6. انواع یادگیری ماشین: نظارتی، غیرنظارتی، تقویتی
• 7. مقدمه‌ای بر یادگیری عمیق و تفاوت آن با یادگیری ماشین
• 8. معرفی شبکه‌های عصبی مصنوعی (ANN)
• 9. واحد پایه شبکه‌های عصبی: پرسپترون
• 10. توابع فعال‌سازی رایج (ReLU, Sigmoid, Tanh)
• 11. مفهوم تابع هزینه (Loss Function) و بهینه‌سازی (Optimization)
• 12. آشنایی با پایتون و ابزارهای یادگیری عمیق (TensorFlow/PyTorch)
• 13. مقدمه‌ای بر بینایی ماشین و پردازش تصویر
• 14. اصول اولیه پردازش تصویر دیجیتال
• 15. ویژگی‌های بصری تصاویر: رنگ، بافت، شکل
• 16. معرفی شبکه‌های عصبی پیچشی (CNN)
• 17. مفهوم لایه‌های پیچشی (Convolutional Layers)
• 18. نقش فیلترها و کرنل‌ها در استخراج ویژگی
• 19. لایه‌های Pooling (Max Pooling, Average Pooling)
• 20. لایه‌های کاملاً متصل (Fully Connected Layers) در CNN
• 21. معماری‌های پایه CNN (LeNet, AlexNet - مروری)
• 22. معرفی معماری VGGNet و عمق شبکه
• 23. معرفی معماری ResNet و Skip Connections
• 24. معرفی معماری MobileNet برای کاربردهای کم‌منابع
• 25. مفهوم Overfitting و Underfitting در مدل‌های عمیق
• 26. تکنیک‌های Regularization (L1, L2, Dropout)
• 27. نرمال‌سازی بچ (Batch Normalization)
• 28. فرایند آموزش شبکه‌های عصبی: فوروارد و بک‌پروپگیشن
• 29. انتخاب بهینه‌ساز مناسب (Adam, SGD, RMSprop)
• 30. مفهوم نرخ یادگیری (Learning Rate) و زمان‌بندی آن
• 31. یادگیری انتقالی (Transfer Learning) و مزایای آن
• 32. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 33. معیارهای ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، بازیابی، F1-Score)
• 34. ماتریس درهم‌ریختگی (Confusion Matrix)
• 35. جمع‌آوری داده‌های تصویری بیماری‌های مرکبات
• 36. معرفی دیتاست‌های عمومی تشخیص بیماری‌های گیاهی (مانند PlantVillage)
• 37. چالش‌های جمع‌آوری تصاویر در محیط‌های کشاورزی (نور، پس‌زمینه، زاویه)
• 38. فرایند برچسب‌گذاری (Annotation) تصاویر
• 39. تکنیک‌های پیش‌پردازش تصاویر (تغییر اندازه، برش، چرخش)
• 40. نرمال‌سازی مقادیر پیکسل‌ها
• 41. مفهوم افزایش داده (Data Augmentation)
• 42. تکنیک‌های افزایش داده: چرخش، قلب، تغییر مقیاس، برش تصادفی
• 43. افزایش داده‌های مربوط به تغییرات رنگ و نور
• 44. مدیریت عدم تعادل کلاس‌ها (Class Imbalance) در دیتاست‌ها
• 45. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 46. اعتبارسنجی متقاطع (Cross-Validation)
• 47. ابزارهای مدیریت داده و برچسب‌گذاری (مانند LabelImg)
• 48. محدودیت‌های یادگیری نظارتی و نیاز به یادگیری خودنظارتی (SSL)
• 49. مقدمه‌ای بر یادگیری خودنظارتی
• 50. مفهوم وظایف پوششی (Pretext Tasks)
• 51. انواع SSL: رویکردهای مولد (Generative) و تمییزدهنده (Discriminative)
• 52. معرفی یادگیری تقابلی (Contrastive Learning)
• 53. هدف یادگیری تقابلی: یادگیری نمایش‌های (Representation) معنادار
• 54. مفهوم جفت‌های مثبت (Positive Pairs)
• 55. مفهوم جفت‌های منفی (Negative Pairs)
• 56. تابع زیان تقابلی (Contrastive Loss): InfoNCE و NT-Xent
• 57. معماری‌های پایه برای یادگیری تقابلی (مانکوی سیامی، Siamaese Networks)
• 58. استراتژی‌های ایجاد جفت‌های مثبت با افزایش داده
• 59. استراتژی‌های نمونه‌برداری جفت‌های منفی
• 60. مفهوم پارامتر دما (Temperature Parameter) در تابع زیان تقابلی
• 61. معرفی SimCLR: معماری و فرایند آموزش
• 62. معرفی MoCo: مفهوم صف حافظه (Memory Bank)
• 63. مروری بر BYOL و SimSiam (یادگیری تقابلی بدون جفت‌های منفی)
• 64. نقش سر پروجکشن (Projection Head) در یادگیری تقابلی
• 65. مقدمه‌ای بر یادگیری غیرنظارتی
• 66. مفهوم خوشه‌بندی (Clustering) و کاربردهای آن
• 67. الگوریتم K-Means: اصول، عملکرد و محدودیت‌ها
• 68. انتخاب بهینه تعداد خوشه‌ها در K-Means (روش Elbow و Silhouette Score)
• 69. ارزیابی عملکرد خوشه‌بندی
• 70. مروری بر سایر الگوریتم‌های خوشه‌بندی (مانند DBSCAN و خوشه‌بندی سلسله‌مراتبی)
• 71. انگیزه CMCRL: چرا ترکیب خوشه‌بندی و یادگیری تقابلی؟
• 72. چالش‌های یادگیری تقابلی سنتی و نقش خوشه‌بندی در حل آنها
• 73. ساختار کلی مدل CMCRL: اجزا و تعامل آن‌ها
• 74. استخراج ویژگی‌های چندلایه از شبکه‌های عصبی پیچشی
• 75. اهمیت نمایش‌های چندلایه در یادگیری عمیق و درک پدیده‌ها
• 76. خوشه‌بندی ویژگی‌ها در لایه‌های میانی شبکه (Clustering-Guided)
• 77. تولید برچسب‌های شبه (Pseudo-Labels) با استفاده از خوشه‌بندی
• 78. استفاده از برچسب‌های شبه برای تعریف دقیق‌تر جفت‌های مثبت و منفی
• 79. طراحی تابع زیان ترکیبی CMCRL: ادغام Contrastive Loss و Clustering Loss
• 80. اعمال تابع زیان تقابلی در لایه‌های مختلف مدل CNN
• 81. تنظیم وزن‌های مربوط به لایه‌های مختلف در تابع زیان نهایی
• 82. طراحی سرهای پروجکشن (Projection Heads) مجزا برای هر لایه
• 83. استراتژی آموزش گام به گام CMCRL
• 84. تاثیر تعداد خوشه‌ها بر عملکرد نهایی CMCRL
• 85. بهینه‌سازی پارامترهای الگوریتم خوشه‌بندی در چارچوب CMCRL
• 86. بررسی نتایج تجربی و مطالعات حذفی (Ablation Studies) در مقاله
• 87. مقایسه CMCRL با سایر روش‌های SSL برای طبقه‌بندی بیماری‌های مرکبات
• 88. نحوه ادغام دانش دامنه‌ای خاص (بیماری‌های مرکبات) در CMCRL
• 89. تفسیر ویژگی‌های آموخته شده توسط مدل CMCRL
• 90. چالش‌های پیاده‌سازی CMCRL در مقیاس بزرگ و real-time
• 91. پیاده‌سازی CMCRL با TensorFlow/PyTorch: آماده‌سازی محیط توسعه
• 92. کدنویسی بخش استخراج ویژگی‌های چندلایه از CNN پایه
• 93. پیاده‌سازی الگوریتم K-Means برای خوشه‌بندی ویژگی‌ها
• 94. تولید جفت‌های مثبت و منفی بر اساس نتایج خوشه‌بندی
• 95. پیاده‌سازی تابع زیان ترکیبی CMCRL
• 96. فرآیند آموزش و اعتبارسنجی مدل CMCRL
• 97. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 98. بررسی و تحلیل عملکرد مدل بر روی مجموعه آزمون نهایی
• 99. کاربردهای آتی CMCRL در سیستم‌های کشاورزی هوشمند
• 100. ملاحظات اخلاقی و پایداری در به‌کارگیری هوش مصنوعی در کشاورزی