کتاب صوتی ساخت پروژه‌های بینایی ماشین هوشمند با رزبری پای: از یادگیری ماشین تا یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت پروژه‌های بینایی ماشین هوشمند با رزبری پای: از یادگیری ماشین تا یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پروژه‌های کاربردی بینایی ماشین هوشمند

📋 سرفصل‌های دوره

• 1. بخش اول: مقدمات و راه‌اندازی (Foundations and Setup)
• 2. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 3. بینایی ماشین چیست و چه کاربردهایی دارد؟
• 4. معرفی رزبری پای: تاریخچه، مدل‌ها و قابلیت‌ها
• 5. چرا رزبری پای برای پروژه‌های بینایی ماشین مناسب است؟
• 6. انتخاب قطعات مورد نیاز: رزبری پای، دوربین، منبع تغذیه و کارت حافظه
• 7. نصب سیستم‌عامل Raspberry Pi OS (Raspbian)
• 8. پیکربندی اولیه رزبری پای: شبکه، زبان و تنظیمات منطقه‌ای
• 9. آشنایی با خط فرمان لینوکس (Command Line Interface)
• 10. دستورات ضروری لینوکس برای مدیریت فایل‌ها و سیستم
• 11. اتصال به رزبری پای از راه دور با استفاده از SSH و VNC
• 12. راه‌اندازی و تست ماژول دوربین رزبری پای
• 13. مدیریت پکیج‌ها در لینوکس با APT
• 14. مقدمه‌ای بر گیت (Git) برای کنترل نسخه پروژه‌ها
• 15. بخش دوم: پایتون و کتابخانه‌های ضروری (Python and Essential Libraries)
• 16. مروری بر مبانی برنامه‌نویسی پایتون
• 17. نصب پایتون و مدیریت محیط‌های مجازی با venv
• 18. مقدمه‌ای بر کتابخانه NumPy و کار با آرایه‌های چندبعدی
• 19. عملیات ریاضی و برداری با NumPy
• 20. آشنایی با کتابخانه Matplotlib برای مصورسازی داده‌ها و تصاویر
• 21. نصب کتابخانه OpenCV برای بینایی ماشین
• 22. خواندن، نمایش و ذخیره‌سازی تصاویر با OpenCV
• 23. کار با ویدئوها: خواندن از فایل و دریافت تصویر زنده از دوربین
• 24. اصول اولیه کار با تصاویر: دسترسی به پیکسل‌ها و ویژگی‌های تصویر
• 25. فضاهای رنگی مختلف (BGR, RGB, HSV, Grayscale) و تبدیل بین آن‌ها
• 26. ترسیم اشکال هندسی و نوشتن متن روی تصاویر با OpenCV
• 27. بخش سوم: پردازش تصویر و مبانی بینایی ماشین (Image Processing and CV Fundamentals)
• 28. عملیات حسابی و منطقی روی تصاویر
• 29. تبدیلات هندسی: تغییر اندازه، چرخش و جابجایی
• 30. برش (Cropping) و افاین (Affine Transformation)
• 31. تصحیح پرسپکتیو (Perspective Correction)
• 32. فیلترها و هموارسازی تصاویر (Image Filtering and Smoothing)
• 33. عملیات مورفولوژیک: فرسایش، اتساع، باز کردن و بستن
• 34. آستانه‌گذاری (Thresholding): ساده، تطبیقی و Otsu
• 35. تشخیص لبه با الگوریتم‌های Sobel, Scharr و Canny
• 36. گرادیان تصویر و کاربردهای آن
• 37. کانتورها (Contours): یافتن، ترسیم و تحلیل آن‌ها
• 38. هیستوگرام تصویر و کاربرد آن در یکسان‌سازی هیستوگرام
• 39. تطبیق الگو (Template Matching)
• 40. تبدیل هاف (Hough Transform) برای تشخیص خط و دایره
• 41. بخش‌بندی تصویر (Image Segmentation) با الگوریتم Watershed
• 42. بخش چهارم: یادگیری ماشین کلاسیک برای کاربردهای بینایی (Classic Machine Learning for Vision Applications)
• 43. مقدمه‌ای بر مفاهیم یادگیری ماشین: نظارت‌شده و نظارت‌نشده
• 44. آشنایی با کتابخانه Scikit-Learn
• 45. استخراج ویژگی از تصاویر: هیستوگرام رنگ و ویژگی‌های بافت
• 46. استخراج ویژگی با هیستوگرام گرادیان‌های جهت‌دار (HOG)
• 47. طبقه‌بندی تصاویر با الگوریتم K-نزدیک‌ترین همسایه (K-Nearest Neighbors)
• 48. مقدمه‌ای بر ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 49. پروژه: تشخیص ارقام دست‌نویس با SVM و ویژگی‌های HOG
• 50. خوشه‌بندی (Clustering) با الگوریتم K-Means
• 51. کاربرد K-Means در کوانتیزاسیون رنگ (Color Quantization)
• 52. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
• 53. کاربرد PCA در بازشناسی چهره (Eigenfaces)
• 54. طبقه‌بندی با درخت‌های تصمیم و جنگل‌های تصادفی
• 55. ارزیابی مدل‌های یادگیری ماشین: دقت، صحت و ماتریس درهم‌ریختگی
• 56. بخش پنجم: ورود به دنیای یادگیری عمیق (Entering the World of Deep Learning)
• 57. چرا یادگیری عمیق؟ محدودیت‌های یادگیری ماشین کلاسیک
• 58. مبانی شبکه‌های عصبی: پرسپترون و توابع فعال‌سازی
• 59. نصب TensorFlow و Keras بر روی رزبری پای
• 60. ساخت اولین شبکه عصبی ساده با Keras
• 61. معرفی شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNNs)
• 62. تشریح لایه‌های یک CNN: کانولوشن، Pooling و Fully Connected
• 63. پروژه: ساخت یک CNN برای طبقه‌بندی تصاویر (مجموعه‌داده CIFAR-10)
• 64. مفهوم بیش‌برازش (Overfitting) و روش‌های مقابله با آن
• 65. تکنیک‌های تنظیم مدل: نرخ یادگیری، بهینه‌سازها و توابع هزینه
• 66. افزایش داده (Data Augmentation) برای بهبود عملکرد مدل
• 67. یادگیری انتقالی (Transfer Learning): قدرت مدل‌های از پیش آموزش‌دیده
• 68. استفاده از مدل‌های معروف مانند VGG, ResNet و MobileNet
• 69. تنظیم دقیق (Fine-tuning) یک مدل از پیش آموزش‌دیده برای یک وظیفه خاص
• 70. مصورسازی ویژگی‌های آموخته‌شده توسط CNN‌ها
• 71. بخش ششم: پروژه‌های پیشرفته بینایی ماشین با یادگیری عمیق (Advanced CV Projects with Deep Learning)
• 72. آشکارسازی اشیاء (Object Detection): مفاهیم و رویکردها
• 73. معرفی معماری‌های آشکارسازی اشیاء: YOLO و SSD
• 74. پروژه: آشکارسازی اشیاء در زمان واقعی با استفاده از یک مدل YOLO از پیش آموزش‌دیده
• 75. تشخیص چهره با استفاده از Haar Cascades در OpenCV
• 76. تشخیص چهره مبتنی بر یادگیری عمیق (MTCNN, BlazeFace)
• 77. پروژه: ساخت سیستم حضور و غیاب مبتنی بر تشخیص چهره
• 78. بازشناسی چهره (Face Recognition) با Siamese Networks و FaceNet
• 79. تشخیص نقاط کلیدی صورت (Facial Landmark Detection)
• 80. بخش‌بندی معنایی تصویر (Semantic Segmentation)
• 81. پروژه: تخمین ژست انسان (Human Pose Estimation) با OpenPose
• 82. خواندن متن از تصویر (OCR) با Tesseract و مدل‌های یادگیری عمیق
• 83. ردیابی اشیاء (Object Tracking) در ویدئو
• 84. الگوریتم‌های ردیابی در OpenCV (MeanShift, CamShift, KCF, CSRT)
• 85. ردیابی اشیاء مبتنی بر یادگیری عمیق (Deep SORT)
• 86. بخش هفتم: بهینه‌سازی و استقرار مدل روی رزبری پای (Optimization and Deployment on Raspberry Pi)
• 87. چالش‌های اجرای مدل‌های یادگیری عمیق بر روی دستگاه‌های لبه
• 88. مقدمه‌ای بر TensorFlow Lite (TFLite)
• 89. تبدیل یک مدل Keras/TensorFlow به فرمت TFLite
• 90. اجرای استنتاج (Inference) با مفسر TFLite روی رزبری پای
• 91. کوانتیزاسیون مدل (Model Quantization) برای کاهش حجم و افزایش سرعت
• 92. استفاده از شتاب‌دهنده‌های سخت‌افزاری مانند Google Coral USB Accelerator
• 93. پروفایلینگ و بنچمارک کردن عملکرد مدل روی رزبری پای
• 94. ساخت یک وب‌سرویس (API) برای مدل بینایی ماشین با Flask
• 95. پروژه نهایی: ساخت یک دوربین امنیتی هوشمند با قابلیت تشخیص حرکت و اشیاء
• 96. پروژه نهایی: طراحی یک سیستم مرتب‌سازی اشیاء بر اساس رنگ و شکل
• 97. جمع‌بندی دوره و مسیرهای یادگیری آینده