فلش‌کارت‌های آموزشی ساخت شبکه‌های عصبی کانولوشنال برای پردازش تصاویر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت شبکه‌های عصبی کانولوشنال برای پردازش تصاویر

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش تصویر و یادگیری ماشین
• 2. مبانی یادگیری ماشین برای بینایی کامپیوتر
• 3. معرفی شبکه‌های عصبی مصنوعی
• 4. آشنایی با معماری شبکه‌های عصبی
• 5. اصول یادگیری عمیق
• 6. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 7. تاریخچه و تکامل CNN
• 8. کاربرد CNN در پردازش تصویر
• 9. مفاهیم کلیدی در CNN: نورون‌ها، لایه‌ها، وزن‌ها
• 10. توابع فعال‌سازی و نقش آن‌ها
• 11. تابع زیان (Loss Function) و اهمیت آن
• 12. بهینه‌سازها (Optimizers) و الگوریتم‌های گرادیان کاهشی
• 13. یادگیری با نظارت (Supervised Learning) در CNN
• 14. داده‌های آموزشی و اعتبارسنجی
• 15. پیش‌پردازش داده‌های تصویری
• 16. نرمال‌سازی و استانداردسازی تصاویر
• 17. تکنیک‌های افزایش داده (Data Augmentation)
• 18. معماری‌های پایه CNN: لایه کانولوشن
• 19. فیلترها (Kernels) و عملیات کانولوشن
• 20. پدینگ (Padding) و استراید (Stride) در لایه کانولوشن
• 21. لایه‌های تجمیع (Pooling Layers): Max Pooling و Average Pooling
• 22. کاربرد لایه‌های تجمیع در کاهش ابعاد
• 23. لایه‌های کاملاً متصل (Fully Connected Layers)
• 24. تابع Softmax برای طبقه‌بندی چندکلاسه
• 25. آموزش یک شبکه عصبی کانولوشنال ساده
• 26. پیاده‌سازی CNN با TensorFlow/Keras
• 27. پیاده‌سازی CNN با PyTorch
• 28. بسترهای یادگیری عمیق و کتابخانه‌ها
• 29. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 30. روش‌های جلوگیری از بیش‌برازش (Overfitting)
• 31. تکنیک رگولاریزاسیون (Regularization)
• 32. Dropout و کاربرد آن
• 33. Early Stopping و نقش آن
• 34. معماری AlexNet و اهمیت آن
• 35. معماری VGG و لایه‌های کانولوشن عمیق‌تر
• 36. معماری GoogLeNet (Inception) و ماژول‌های Inception
• 37. معماری ResNet و اتصالات باقی‌مانده (Residual Connections)
• 38. کاربرد ResNet در مسائل پیچیده
• 39. معماری DenseNet و اتصال متراکم (Dense Connections)
• 40. شبکه‌های عصبی کانولوشنال برای تشخیص اشیاء
• 41. مبانی تشخیص اشیاء
• 42. روش‌های مبتنی بر منطقه (Region-based): R-CNN
• 43. روش‌های تک‌مرحله‌ای (Single-shot): YOLO
• 44. معماری YOLO و نسخه‌های مختلف آن
• 45. معماری SSD (Single Shot MultiBox Detector)
• 46. شبکه‌های عصبی کانولوشنال برای بخش‌بندی تصاویر (Image Segmentation)
• 47. مبانی بخش‌بندی معنایی (Semantic Segmentation)
• 48. معماری FCN (Fully Convolutional Network)
• 49. معماری U-Net و کاربرد آن در پزشکی
• 50. بخش‌بندی نمونه‌ای (Instance Segmentation)
• 51. معماری Mask R-CNN
• 52. استفاده از CNN در تشخیص چهره
• 53. تشخیص چهره و چالش‌های آن
• 54. استخراج ویژگی‌های چهره با CNN
• 55. کاربرد CNN در تولید تصویر (Image Generation)
• 56. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 57. معماری GAN و نحوه آموزش آن
• 58. کاربرد GAN در افزایش کیفیت تصاویر
• 59. استفاده از CNN در پردازش متن (با احتیاط و چارچوب علمی)
• 60. تبدیل متن به بردار (Word Embeddings)
• 61. شبکه‌های عصبی بازگشتی (RNN) برای پردازش دنباله‌ها
• 62. شبکه‌های LSTM و GRU
• 63. کاربرد CNN در استخراج ویژگی از متن
• 64. CNN برای طبقه‌بندی متون
• 65. CNN برای تحلیل احساسات (Sentiment Analysis)
• 66. کاربرد CNN در پردازش گفتار (با احتیاط و چارچوب علمی)
• 67. تبدیل گفتار به متن (Speech Recognition)
• 68. استفاده از CNN در مدل‌های پردازش گفتار
• 69. کاربرد CNN در سیستم‌های توصیه‌گر (با احتیاط و چارچوب علمی)
• 70. مبانی سیستم‌های توصیه‌گر
• 71. استفاده از CNN برای تحلیل محتوا
• 72. CNN برای توصیه‌گرهای مبتنی بر تصویر
• 73. کاربرد CNN در داده‌های پزشکی (با احتیاط و چارچوب علمی)
• 74. تشخیص بیماری از روی تصاویر پزشکی
• 75. کاربرد CNN در تومورگرافی و MRI
• 76. CNN برای تحلیل میکروسکوپی
• 77. CNN در رباتیک و سیستم‌های خودمختار (با احتیاط و چارچوب علمی)
• 78. ناوبری ربات‌ها با استفاده از CNN
• 79. تشخیص موانع توسط ربات‌ها
• 80. CNN در خودروهای خودران (با احتیاط و چارچوب علمی)
• 81. تشخیص علائم راهنمایی و رانندگی
• 82. تشخیص خطوط جاده
• 83. CNN در امنیت سایبری (با احتیاط و چارچوب علمی)
• 84. تشخیص بدافزار از روی الگوهای تصویری
• 85. تحلیل لاگ‌های امنیتی با CNN
• 86. نکات پیشرفته در طراحی CNN
• 87. شبکه‌های عصبی کانولوشنال ترانسفورمر (Convolutional Transformers)
• 88. مدل‌های معماری خودکار (Neural Architecture Search - NAS)
• 89. تکنیک‌های تفسیرپذیری مدل‌های CNN (Explainable AI - XAI)
• 90. نمایش نقش ویژگی‌ها در تصمیم‌گیری CNN
• 91. روش‌های LIME و SHAP
• 92. ملاحظات اخلاقی در استفاده از CNN (با تأکید بر چارچوب اسلامی)
• 93. حریم خصوصی و حفاظت از داده‌ها
• 94. سوگیری در مدل‌های CNN و راه‌های مقابله با آن
• 95. مسئولیت‌پذیری در توسعه و به‌کارگیری CNN
• 96. آیندهٔ پژوهش در شبکه‌های عصبی کانولوشنال
• 97. روندهای نوین در پردازش تصویر با یادگیری عمیق
• 98. چالش‌های پیش رو و فرصت‌های تحقیقاتی
• 99. جمع‌بندی و نگاهی به مباحث تکمیلی