فلش‌کارت‌های آموزشی اتوماسیون پردازش تصویر با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اتوماسیون پردازش تصویر با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش تصویر و بینایی ماشین

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای پردازش تصویر
• 2. نصب و راه‌اندازی کتابخانه‌های پردازش تصویر
• 3. آشنایی با ساختارهای داده‌ای در پردازش تصویر
• 4. عملیات پایه‌ای روی تصاویر: بارگذاری و نمایش
• 5. تغییر ابعاد و برش تصاویر
• 6. عملیات رنگی: تبدیل فضای رنگی
• 7. فیلترهای پایه: هموارسازی و کاهش نویز
• 8. فیلترهای کانولوشن: مفاهیم و پیاده‌سازی
• 9. تشخیص لبه: الگوریتم‌های Sobel و Canny
• 10. آستانه‌گذاری تصاویر: روش‌های ساده و تطبیقی
• 11. آستانه‌گذاری آداپتیو
• 12. پردازش باینری: مورفولوژی ریاضی
• 13. توسعه و انقباض در مورفولوژی
• 14. باز کردن و بستن در مورفولوژی
• 15. عملیات گرادیان و Top-hat
• 16. تحلیل هیستوگرام تصاویر
• 17. تنظیم کنتراست تصاویر
• 18. تصحیح گاما
• 19. تکنیک‌های بهبود کیفیت تصویر
• 20. آشنایی با تبدیل فوریه در پردازش تصویر
• 21. فیلتر کردن در حوزه فرکانس
• 22. کاهش نویز با فیلترهای حوزه فرکانس
• 23. تشخیص نقاط کلیدی در تصاویر
• 24. شرح‌دهنده‌های تصویر: SIFT و SURF
• 25. شرح‌دهنده‌های تصویر: ORB
• 26. تطبیق الگو: مفاهیم پایه
• 27. تطبیق الگو با تطابق ویژگی
• 28. تطبیق الگو با تطابق پیکسل
• 29. تکنیک‌های قطعه‌بندی تصویر
• 30. قطعه‌بندی مبتنی بر آستانه‌گذاری
• 31. قطعه‌بندی مبتنی بر رشد ناحیه
• 32. قطعه‌بندی مبتنی بر جریان کمینه
• 33. مقدمه‌ای بر یادگیری ماشین در بینایی ماشین
• 34. یادگیری نظارت‌شده برای طبقه‌بندی تصویر
• 35. دسته‌بندی‌کننده‌های خطی
• 36. ماشین‌های بردار پشتیبان (SVM)
• 37. درخت‌های تصمیم و جنگل‌های تصادفی
• 38. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 39. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 40. معماری‌های پایه CNN
• 41. لایه‌های کانولوشن و Pooling
• 42. لایه‌های تمام متصل و تابع فعال‌سازی
• 43. آموزش CNN: گرادیان کاهشی
• 44. بهینه‌سازی آموزش CNN: Adam و RMSprop
• 45. تنظیم نرخ یادگیری
• 46. مدیریت بیش‌برازش (Overfitting)
• 47. تکنیک‌های تنظیم‌کننده (Regularization)
• 48. افزایش داده (Data Augmentation)
• 49. معماری‌های معروف CNN: LeNet
• 50. معماری‌های معروف CNN: AlexNet
• 51. معماری‌های معروف CNN: VGG
• 52. معماری‌های معروف CNN: ResNet
• 53. معماری‌های معروف CNN: Inception
• 54. یادگیری بدون نظارت در بینایی ماشین
• 55. خوشه‌بندی تصاویر
• 56. کاهش ابعاد برای بصری‌سازی
• 57. خودرمزگذارها (Autoencoders)
• 58. کاربرد خودرمزگذارها در کاهش نویز
• 59. یادگیری عمیق برای تشخیص اشیاء
• 60. چارچوب‌های تشخیص اشیاء: R-CNN
• 61. چارچوب‌های تشخیص اشیاء: Fast R-CNN
• 62. چارچوب‌های تشخیص اشیاء: Faster R-CNN
• 63. چارچوب‌های تشخیص اشیاء: YOLO
• 64. چارچوب‌های تشخیص اشیاء: SSD
• 65. کاربرد یادگیری ماشین در قطعه‌بندی معنایی
• 66. شبکه‌های U-Net
• 67. شبکه‌های FCN
• 68. کاربرد یادگیری ماشین در قطعه‌بندی نمونه (Instance Segmentation)
• 69. شبکه‌های Mask R-CNN
• 70. تولید تصویر با شبکه‌های مولد تخاصمی (GAN)
• 71. مقدمه‌ای بر GAN
• 72. معماری پایه GAN
• 73. کاربرد GAN در افزایش داده
• 74. کاربرد GAN در انتقال سبک تصویر
• 75. پردازش سه‌بعدی تصویر
• 76. مفاهیم بازسازی سه‌بعدی
• 77. استفاده از داده‌های حجمی (Volumetric Data)
• 78. بینایی ماشین در رباتیک
• 79. هدایت و ناوبری ربات با بینایی ماشین
• 80. تشخیص و ردگیری اشیاء متحرک
• 81. مدل‌سازی و بازسازی صحنه
• 82. پردازش تصویر برای ربات‌های متحرک خودمختار
• 83. بینایی ماشین در سیستم‌های نظارتی
• 84. تشخیص چهره و احراز هویت
• 85. تحلیل رفتار و تشخیص رویداد
• 86. کاربرد بینایی ماشین در پزشکی
• 87. تحلیل تصاویر پزشکی (رادیولوژی، سی‌تی اسکن)
• 88. تشخیص بیماری‌ها با یادگیری عمیق
• 89. پردازش تصویر در کشاورزی هوشمند
• 90. نظارت بر رشد گیاهان
• 91. تشخیص آفات و بیماری‌ها
• 92. پردازش تصویر در صنعت خودروسازی
• 93. سیستم‌های کمک راننده (ADAS)
• 94. خودروهای خودران
• 95. کاربرد بینایی ماشین در واقعیت افزوده (AR)
• 96. تطبیق صحنه و ردیابی
• 97. کاربرد بینایی ماشین در واقعیت مجازی (VR)
• 98. پردازش تصویر در تحلیل ویدئو
• 99. تشخیص و تحلیل فعالیت‌ها در ویدئو
• 100. فشرده‌سازی ویدئو با روش‌های نوین