کتاب صوتی آموزش جامع شبکه‌های عصبی کانولوشنی (CNN) با پایتورچ (PyTorch) و کاربرد در پردازش تصویر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع شبکه‌های عصبی کانولوشنی (CNN) با پایتورچ (PyTorch) و کاربرد در پردازش تصویر

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق و بینایی ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در پردازش تصویر
• 2. معرفی کتابخانه‌های پایه و محیط توسعه پایتورچ
• 3. ساختار داده‌ها و تنسورها در پایتورچ
• 4. آشنایی با مفاهیم پایه شبکه‌های عصبی مصنوعی
• 5. توابع فعال‌ساز و نقش آن‌ها در یادگیری غیرخطی
• 6. معماری پرسپترون چندلایه و محدودیت‌های آن در تحلیل تصویر
• 7. آشنایی با مفهوم کانولوشن و عملگرهای فیلتر در تصویر
• 8. لایه‌های کانولوشنی و استخراج ویژگی‌های سلسله‌مراتبی
• 9. مفهوم لایه‌های تجمیع و کاهش ابعاد تصویر
• 10. توابع هزینه و الگوریتم پس‌انتشار خطا در شبکه‌های عصبی
• 11. بهینه‌سازهای گرادیان کاهشی در آموزش شبکه‌ها
• 12. روش‌های مقداردهی اولیه وزن‌ها و جلوگیری از اشباع شبکه
• 13. نرمال‌سازی دسته‌ای و تأثیر آن در سرعت همگرایی
• 14. تکنیک‌های جلوگیری از بیش‌برازش در یادگیری عمیق
• 15. معماری‌های کلاسیک شبکه عصبی کانولوشنی
• 16. بررسی ساختار شبکه لنت
• 17. تحلیل معماری‌های عمیق و نقش عمق در یادگیری ویژگی‌ها
• 18. معرفی معماری‌های خانواده وی‌جی‌جی
• 19. معماری‌های با اتصالات میان‌بر و غلبه بر محو شدگی گرادیان
• 20. مبانی شبکه‌های عصبی باقی‌مانده
• 21. پیاده‌سازی بلوک‌های باقی‌مانده در پایتورچ
• 22. معماری‌های اینسپشن و استفاده از فیلترهای چندمقیاسی
• 23. استفاده از شبکه‌های عصبی پیش‌آموزش‌دیده و انتقال یادگیری
• 24. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده برای داده‌های اختصاصی
• 25. تکنیک‌های افزایش داده برای بهبود دقت مدل
• 26. آماده‌سازی مجموعه‌داده‌های تصویری در پایتورچ
• 27. مدیریت حافظه در آموزش مدل‌های بینایی ماشین
• 28. ارزیابی عملکرد مدل با استفاده از ماتریس درهم‌ریختگی
• 29. معیارهای دقت دقت فراخوانی و اف‌وان اسکور
• 30. بصری‌سازی نقشه‌های ویژگی برای درک تصمیم‌گیری شبکه
• 31. کاربرد شبکه‌های عصبی در تشخیص اشیاء
• 32. مبانی قطعه‌بندی تصویر با استفاده از شبکه‌های عصبی
• 33. معماری یو-نت برای کاربردهای پزشکی و صنعتی
• 34. تشخیص نقاط کلیدی و ردیابی اشیاء در ویدئو
• 35. بهینه‌سازی مدل‌های عصبی برای اجرا در سخت‌افزارهای محدود
• 36. کمی‌سازی وزن‌های شبکه برای افزایش سرعت استنتاج
• 37. روش‌های تبدیل مدل برای استقرار در محیط‌های عملیاتی
• 38. اخلاق در توسعه سیستم‌های هوش مصنوعی و امنیت داده‌ها
• 39. پروژه نهایی طراحی و پیاده‌سازی یک طبقه‌بند تصاویر بومی
• 40. تکنیک‌های عیب‌یابی و رفع خطاهای رایج در آموزش مدل‌ها