کتاب صوتی ارزیابی و مقایسه عملکرد مدل‌های بینایی کامپیوتر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی و مقایسه عملکرد مدل‌های بینایی کامپیوتر

موضوع کلی: برنامه نویسی

موضوع میانی: بینایی کامپیوتر (Computer Vision)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بینایی کامپیوتر
• 2. اهمیت ارزیابی و مقایسه مدل‌ها
• 3. مروری بر مدل‌های رایج بینایی کامپیوتر
• 4. چرخه عمر توسعه مدل و جایگاه ارزیابی
• 5. اهداف اصلی دوره آموزشی
• 6. مفهوم عملکرد و سنجش آن
• 7. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 8. بایاس (Bias) در مقابل واریانس (Variance)
• 9. بیش برازش (Overfitting) و کم برازش (Underfitting)
• 10. اعتبار سنجی متقاطع (Cross-Validation)
• 11. اعتبار سنجی K-فولد (K-Fold Cross-Validation)
• 12. نمونه‌برداری طبقه‌بندی شده (Stratified Sampling)
• 13. جلوگیری از نشت داده (Data Leakage)
• 14. اهمیت مجموعه داده آزمون مستقل و قوی
• 15. معیارها و خطوط پایه (Baselines)
• 16. ماتریس درهم‌ریختگی (Confusion Matrix)
• 17. مفاهیم: مثبت/منفی واقعی و مثبت/منفی کاذب (TP, FP, TN, FN)
• 18. دقت (Accuracy): تعریف و محدودیت‌ها
• 19. صحت (Precision): اهمیت پیش‌بینی‌های صحیح
• 20. فراخوانی (Recall) یا حساسیت (Sensitivity): پوشش تمامی موارد مثبت
• 21. امتیاز F1: میانگین هارمونیک صحت و فراخوانی
• 22. ویژگی (Specificity) و مثبت کاذب (False Positive Rate)
• 23. منحنی مشخصه عملکرد گیرنده (ROC Curve)
• 24. ناحیه زیر منحنی ROC (AUC-ROC)
• 25. منحنی صحت-فراخوانی (Precision-Recall Curve)
• 26. ناحیه زیر منحنی PR (AUC-PR)
• 27. تابع زیان لگاریتمی (Log Loss) / آنتروپی متقاطع (Cross-Entropy)
• 28. امتیاز بریر (Brier Score) برای کالیبراسیون
• 29. ضریب کاپای کوهن (Cohen's Kappa)
• 30. ضریب همبستگی متیو (Matthews Correlation Coefficient - MCC)
• 31. مقدمه‌ای بر ارزیابی تشخیص اشیاء
• 32. مفهوم اشتراک بر روی اجتماع (Intersection over Union - IoU)
• 33. آستانه بندی IoU و نقش آن
• 34. تعیین TP, FP, FN در تشخیص اشیاء
• 35. منحنی صحت-فراخوانی (PR Curve) برای تشخیص اشیاء
• 36. میانگین دقت (Average Precision - AP) برای یک کلاس
• 37. میانگین دقت متوسط (Mean Average Precision - mAP)
• 38. mAP در آستانه IoU مشخص (مانند mAP@0.5)
• 39. mAP در بازه‌ای از آستانه IoU (مانند mAP@[.5:.05:.95] COCO)
• 40. خطای محلی‌سازی (Localization Error)
• 41. خطای طبقه‌بندی در تشخیص (Classification Error in Detection)
• 42. نرخ مثبت کاذب در هر تصویر (FPPI)
• 43. ارزیابی تشخیص اشیاء کوچک در مقابل بزرگ
• 44. معیارهای مبتنی بر ردیابی در صورت تلفیق با تشخیص
• 45. معیارهای مربوط به عملکرد زمانی در تشخیص (Latency, FPS)
• 46. مقدمه‌ای بر ارزیابی بخش‌بندی
• 47. دقت پیکسلی (Pixel Accuracy)
• 48. میانگین دقت پیکسلی (Mean Pixel Accuracy)
• 49. میانگین اشتراک بر روی اجتماع (Mean Intersection over Union - mIoU)
• 50. ضریب دایس (Dice Coefficient) و ارتباط آن با F1
• 51. F-Score مرزی (Boundary F-Score)
• 52. ارزیابی در سطح کلاس در مقابل سطح کلی
• 53. معیارهای بخش‌بندی معنایی (Semantic Segmentation)
• 54. معیارهای بخش‌بندی نمونه‌ای (Instance Segmentation) - استفاده از AP
• 55. کیفیت پانپتیک (Panoptic Quality - PQ) برای بخش‌بندی جامع
• 56. معیارهای تخمین ژست/نقاط کلیدی (OKS, PCK)
• 57. معیارهای ردیابی اشیاء (MOTA, MOTP, IDF1)
• 58. معیارهای کیفیت تصویر (PSNR, SSIM, LPIPS)
• 59. معیارهای مدل‌های مولد (FID, Inception Score)
• 60. معیارهای جریان نوری (Optical Flow) (AEE, EPE)
• 61. معیارهای تخمین عمق (RMSE, Abs Rel)
• 62. معیارهای بازیابی تصویر (mAP, P@K, R@K)
• 63. معیارهای بازسازی فوق‌تفکیک (Super-Resolution)
• 64. معیارهای تشخیص ناهنجاری (Anomaly Detection)
• 65. معیارهای تشخیص و طبقه‌بندی فعالیت (Action Recognition)
• 66. تأثیر کیفیت داده بر عملکرد مدل
• 67. راهبردهای افزایش داده (Data Augmentation) و ارزیابی آن‌ها
• 68. ارزیابی مدل‌ها با داده‌های مصنوعی (Synthetic Data)
• 69. برخورد با داده‌های نامتعادل (Imbalanced Data)
• 70. معیارهای ارزیابی برای داده‌های نامتعادل (مثلاً Weighted F1)
• 71. انتقال دامنه (Domain Shift) و تعمیم‌پذیری (Generalization)
• 72. ارزیابی تشخیص خروج از توزیع (Out-of-Distribution Detection)
• 73. ارزیابی کیفیت برچسب‌گذاری (Annotation Quality)
• 74. اهمیت نگهداری و نسخه‌بندی داده‌ها (Data Versioning)
• 75. ارزیابی در شرایط کم‌داده (Few-Shot Learning)
• 76. ارزیابی پایداری مدل (Robustness)
• 77. حملات تخاصمی (Adversarial Attacks) و دفاع در برابر آن‌ها
• 78. ارزیابی عدالت (Fairness) و سوگیری (Bias) در مدل‌ها
• 79. قابلیت توضیح‌پذیری مدل‌ها (Explainable AI - XAI)
• 80. تخمین عدم قطعیت (Uncertainty Estimation) در مدل‌ها
• 81. کالیبراسیون مدل‌های احتمالی
• 82. معیارهای کارایی محاسباتی (FLOPs, Latency, Throughput)
• 83. ارزیابی مصرف حافظه و انرژی
• 84. معیارهای خاص استقرار (Deployment-Specific Metrics)
• 85. ارزیابی عملکرد در زمان واقعی (Real-Time Performance)
• 86. آزمون‌های معنی‌داری آماری (Statistical Significance Tests)
• 87. مقایسه چندین مدل بر اساس چندین معیار
• 88. چارچوب‌های استاندارد مقایسه و بنچمارکینگ (MLPerf, Papers With Code)
• 89. معیارهای انتخاب مدل
• 90. بهینه‌سازی فراپارامترها و تأثیر آن بر ارزیابی
• 91. گزارش‌دهی و بصری‌سازی نتایج ارزیابی
• 92. ایجاد جداول مقایسه مؤثر
• 93. تحلیل خطا و نقشه‌های عملکردی
• 94. تفسیر تفاوت‌ها و تناقضات ارزیابی
• 95. تدوین پروتکل ارزیابی جامع
• 96. مطالعه موردی: مقایسه آشکارسازهای اشیاء (YOLO vs. Faster R-CNN)
• 97. مطالعه موردی: ارزیابی مدل‌های بخش‌بندی در تصاویر پزشکی
• 98. مطالعه موردی: ارزیابی پایداری برای بینایی ماشین در خودروهای خودران
• 99. روندهای نوظهور در ارزیابی مدل‌های بینایی کامپیوتر (مدل‌های بنیادی)
• 100. چالش‌ها و جهت‌گیری‌های آینده در تحقیقات ارزیابی