فلش‌کارت‌های آموزشی تشخیص ناهنجاری با TensorFlow Lite Micro

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری با TensorFlow Lite Micro

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص ناهنجاری در سیستم‌های تعبیه‌شده
• 2. کاربردهای تشخیص ناهنجاری در سیستم‌های تعبیه‌شده
• 3. آشنایی با TensorFlow Lite Micro
• 4. نصب و راه‌اندازی TensorFlow Lite Micro
• 5. مفاهیم کلیدی یادگیری ماشین برای تشخیص ناهنجاری
• 6. آماده‌سازی داده‌ها برای آموزش مدل تشخیص ناهنجاری
• 7. انتخاب ویژگی‌های مناسب برای تشخیص ناهنجاری
• 8. معماری‌های مدل‌های یادگیری ماشین برای تشخیص ناهنجاری
• 9. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 10. شبکه‌های عصبی بازگشتی (RNN) برای تشخیص ناهنجاری
• 11. شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص ناهنجاری
• 12. آموزش مدل‌های تشخیص ناهنجاری با TensorFlow Lite Micro
• 13. ارزیابی عملکرد مدل‌های تشخیص ناهنجاری
• 14. معیارهای ارزیابی: دقت، بازخوانی، F1-score
• 15. پیاده‌سازی مدل تشخیص ناهنجاری بر روی میکروکنترلر
• 16. بهینه‌سازی مدل TensorFlow Lite Micro برای منابع محدود
• 17. کوانتیزاسیون (Quantization) مدل‌های TensorFlow Lite Micro
• 18. تکنیک‌های کاهش حجم مدل TensorFlow Lite Micro
• 19. استفاده از شتاب‌دهنده‌های سخت‌افزاری برای TensorFlow Lite Micro
• 20. استقرار مدل تشخیص ناهنجاری بر روی پلتفرم‌های مختلف
• 21. تشخیص ناهنجاری در داده‌های حسگرها (Sensor Data)
• 22. تشخیص ناهنجاری در داده‌های سری زمانی (Time Series Data)
• 23. تشخیص ناهنجاری در داده‌های صوتی
• 24. تشخیص ناهنجاری در داده‌های تصویری
• 25. تشخیص ناهنجاری در داده‌های شبکه‌های صنعتی (Industrial Networks)
• 26. نظارت بر سلامت تجهیزات با تشخیص ناهنجاری
• 27. تشخیص ناهنجاری در سیستم‌های IoT
• 28. امنیت سیستم‌های تعبیه‌شده با تشخیص ناهنجاری
• 29. به‌روزرسانی و نگهداری مدل‌های تشخیص ناهنجاری
• 30. استفاده از یادگیری انتقالی (Transfer Learning) برای تشخیص ناهنجاری
• 31. تکنیک‌های افزایش داده (Data Augmentation) برای بهبود عملکرد مدل
• 32. بررسی موردی: تشخیص ناهنجاری در سیستم‌های خودرویی
• 33. بررسی موردی: تشخیص ناهنجاری در سیستم‌های پزشکی
• 34. بررسی موردی: تشخیص ناهنجاری در سیستم‌های نظارتی
• 35. عیب‌یابی و رفع اشکال در پیاده‌سازی TensorFlow Lite Micro