فلش‌کارت‌های آموزشی شبکه‌های عصبی کانولوشنی (CNN): از تئوری تا پیاده‌سازی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی کانولوشنی (CNN): از تئوری تا پیاده‌سازی عملی

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 2. جایگاه شبکه‌های عصبی کانولوشنی در بینایی کامپیوتر
• 3. مروری بر ریاضیات ضروری: جبر خطی (بردارها و ماتریس‌ها)
• 4. مروری بر ریاضیات ضروری: حسابان (مشتق و قاعده زنجیره‌ای)
• 5. مبانی آمار و احتمال برای یادگیری عمیق
• 6. آشنایی با پایتون و محیط‌های برنامه‌نویسی (Anaconda, Jupyter)
• 7. کار با کتابخانه NumPy برای محاسبات عددی
• 8. کار با کتابخانه Matplotlib برای مصورسازی داده‌ها
• 9. مقدمه‌ای بر یک فریمورک یادگیری عمیق (TensorFlow/Keras یا PyTorch)
• 10. نصب و راه‌اندازی محیط توسعه
• 11. نورون مصنوعی: از پرسپترون تا مدل‌های مدرن
• 12. توابع فعال‌سازی: Sigmoid و Tanh
• 13. توابع فعال‌سازی: ReLU و انواع آن (Leaky ReLU, ELU)
• 14. مفهوم تابع هزینه (Loss Function) در یادگیری ماشین
• 15. توابع هزینه برای مسائل رگرسیون (MSE) و طبقه‌بندی (Cross-Entropy)
• 16. الگوریتم گرادیان کاهشی (Gradient Descent)
• 17. گرادیان کاهشی تصادفی (SGD) و Mini-batch
• 18. الگوریتم‌های بهینه‌سازی پیشرفته: Momentum و Nesterov
• 19. الگوریتم‌های بهینه‌سازی تطبیقی: AdaGrad و RMSProp
• 20. الگوریتم بهینه‌سازی Adam
• 21. مفهوم پس‌انتشار خطا (Backpropagation)
• 22. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 23. ساخت اولین شبکه عصبی ساده (MLP)
• 24. چالش‌های استفاده از MLP برای داده‌های تصویری
• 25. ایده اصلی CNN: میدان دریافت محلی (Local Receptive Fields)
• 26. ایده اصلی CNN: اشتراک‌گذاری پارامترها (Parameter Sharing)
• 27. عملیات کانولوشن دو بعدی (2D Convolution)
• 28. فیلترها (کرنل‌ها) و نقش آن‌ها در استخراج ویژگی
• 29. نقشه‌ها‌ی ویژگی (Feature Maps)
• 30. مفهوم گام (Stride) در کانولوشن
• 31. مفهوم لایه‌گذاری (Padding): Same و Valid
• 32. محاسبه ابعاد خروجی لایه کانولوشنی
• 33. لایه‌های تجمعی (Pooling Layers): کاهش ابعاد
• 34. انواع Pooling: Max Pooling و Average Pooling
• 35. معماری یک بلوک کانولوشنی: Conv -> Activation -> Pool
• 36. چیدمان لایه‌های کانولوشنی برای یادگیری سلسله‌مراتبی ویژگی‌ها
• 37. لایه‌های تماماً متصل (Fully Connected Layers) در CNN
• 38. تبدیل نقشه‌های ویژگی به بردار (Flattening)
• 39. ساختار کامل یک CNN ساده از ورودی تا خروجی
• 40. بررسی اولین CNN موفق: معماری LeNet-5
• 41. آشنایی با مجموعه داده‌های استاندارد: MNIST و Fashion-MNIST
• 42. آشنایی با مجموعه داده‌های استاندارد: CIFAR-10 و CIFAR-100
• 43. بارگذاری و پیش‌پردازش داده‌های تصویری
• 44. نرمال‌سازی و استانداردسازی تصاویر
• 45. ساخت اولین مدل CNN با Keras/TensorFlow
• 46. کامپایل کردن مدل: تعریف بهینه‌ساز، تابع هزینه و معیارها
• 47. آموزش مدل: مفاهیم Epoch, Batch Size و Iteration
• 48. ارزیابی عملکرد مدل روی داده‌های تست
• 49. انجام پیش‌بینی روی تصاویر جدید
• 50. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 51. تکنیک‌های مقابله با بیش‌برازش: افزایش داده (Data Augmentation)
• 52. پیاده‌سازی Data Augmentation: چرخش، جابجایی، بزرگنمایی
• 53. تکنیک‌های مقابله با بیش‌برازش: تنظیم‌گری (Regularization) L1 و L2
• 54. تکنیک‌های مقابله با بیش‌برازش: Dropout
• 55. ذخیره و بازیابی مدل‌های آموزش‌دیده
• 56. استفاده از Checkpointing برای ذخیره بهترین مدل حین آموزش
• 57. استفاده از Early Stopping برای جلوگیری از آموزش بیهوده
• 58. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 59. مصورسازی فرآیند آموزش: نمودارهای دقت و هزینه
• 60. معماری AlexNet: جهش بزرگ در یادگیری عمیق
• 61. معماری VGGNet: سادگی و عمق
• 62. کانولوشن 1x1 و کاربردهای آن
• 63. معماری GoogLeNet و ماژول Inception
• 64. مشکل محو شدگی و انفجار گرادیان (Vanishing/Exploding Gradients)
• 65. نرمال‌سازی دسته‌ای (Batch Normalization)
• 66. معماری ResNet و اتصالات باقی‌مانده (Residual Connections)
• 67. بلوک‌های باقی‌مانده (Residual Blocks) در ResNet
• 68. معماری DenseNet: اتصالات متراکم
• 69. معماری‌های بهینه برای موبایل: MobileNets
• 70. کانولوشن‌های تفکیک‌پذیر عمقی (Depthwise Separable Convolutions)
• 71. معماری EfficientNet: مقیاس‌پذیری هوشمند مدل
• 72. شبکه‌های فشردگی و تحریک (SE Blocks)
• 73. یادگیری انتقالی (Transfer Learning): مفهوم و کاربردها
• 74. استفاده از مدل‌های از پیش آموزش‌دیده برای استخراج ویژگی
• 75. تنظیم دقیق (Fine-Tuning) یک مدل از پیش آموزش‌دیده
• 76. مقدمه‌ای بر تشخیص اشیاء (Object Detection)
• 77. مدل‌های مبتنی بر ناحیه: R-CNN, Fast R-CNN, Faster R-CNN
• 78. مدل‌های تک مرحله‌ای: YOLO (You Only Look Once)
• 79. مدل‌های تک مرحله‌ای: SSD (Single Shot MultiBox Detector)
• 80. مقدمه‌ای بر بخش‌بندی معنایی تصاویر (Semantic Segmentation)
• 81. شبکه‌های تماماً کانولوشنی (FCN) برای بخش‌بندی
• 82. معماری U-Net برای بخش‌بندی تصاویر پزشکی
• 83. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 84. ساخت یک GAN ساده (DCGAN) برای تولید تصویر
• 85. تفسیرپذیری و بصری‌سازی CNN‌ها
• 86. نقشه‌های برجستگی (Saliency Maps)
• 87. نقشه‌های فعال‌سازی کلاس (Class Activation Maps - CAM)
• 88. روش Grad-CAM برای توضیح پیش‌بینی‌های مدل
• 89. یادگیری تک-شات (One-Shot Learning) با شبکه‌های سیامی (Siamese Networks)
• 90. بهینه‌سازی مدل برای استقرار: کوانتیزه‌سازی (Quantization)
• 91. بهینه‌سازی مدل برای استقرار: هرس کردن (Pruning)
• 92. آشنایی با TensorFlow Lite برای استقرار روی دستگاه‌های موبایل
• 93. آشنایی با فرمت ONNX برای قابلیت همکاری مدل‌ها
• 94. استقرار مدل CNN به عنوان یک وب سرویس با Flask
• 95. استفاده از سرویس‌های ابری برای آموزش (Google Colab)
• 96. پروژه نهایی: تعریف مسئله و انتخاب مجموعه داده
• 97. پروژه نهایی: ساخت، آموزش و ارزیابی مدل
• 98. پروژه نهایی: تحلیل نتایج و ارائه گزارش
• 99. روندها و آینده شبکه‌های عصبی کانولوشنی
• 100. **تشخیص ناهنجاری با استفاده از CNNها: رویکردها، کاربردها و چالش‌ها**