کتاب صوتی شبکه‌های کانولوشنال کانونی: تکنیک‌ها و ابزارها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های کانولوشنال کانونی: تکنیک‌ها و ابزارها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی کانولوشنال (CNN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
• 2. کانولوشن: هسته اصلی CNNها
• 3. فیلترها و نقش آن‌ها در تشخیص الگو
• 4. تابع فعال‌سازی ReLU و اهمیت آن
• 5. لایه‌های Pooling: کاهش ابعاد و افزایش کارایی
• 6. Max Pooling و Average Pooling: مقایسه و کاربردها
• 7. معماری‌های استاندارد CNN: LeNet-5
• 8. معماری‌های استاندارد CNN: AlexNet
• 9. معماری‌های استاندارد CNN: VGGNet
• 10. معماری‌های استاندارد CNN: GoogLeNet (Inception)
• 11. معماری‌های استاندارد CNN: ResNet
• 12. تفکیک‌پذیری کانولوشن (Separable Convolutions)
• 13. کانولوشن‌های dilated
• 14. شبکه‌های کانولوشنال عمیق‌تر: چالش‌ها و راهکارها
• 15. تنظیم پارامترهای CNN: نرخ یادگیری، Batch Size و Optimizerها
• 16. Regularization در CNNها: Dropout و Weight Decay
• 17. Data Augmentation برای بهبود عملکرد CNN
• 18. انتقال یادگیری (Transfer Learning) در CNNها
• 19. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 20. شبکه‌های کانولوشنال برای پردازش تصاویر رنگی
• 21. شبکه‌های کانولوشنال برای پردازش تصاویر grayscale
• 22. تشخیص اشیاء با CNN: Region-based CNN (R-CNN)
• 23. Fast R-CNN و Faster R-CNN
• 24. Single Shot Detector (SSD)
• 25. YOLO: You Only Look Once
• 26. Segmentation تصاویر با CNN
• 27. U-Net برای Segmentation تصاویر پزشکی
• 28. شبکه‌های کانولوشنال سه بعدی (3D CNN)
• 29. کاربرد CNN در پردازش ویدئو
• 30. شبکه‌های کانولوشنال گرافیکی (GCN)
• 31. CNN و پردازش زبان طبیعی (NLP)
• 32. استفاده از CNN برای تحلیل احساسات
• 33. شبکه‌های کانولوشنال و تشخیص تقلب
• 34. CNN برای تشخیص ناهنجاری‌ها
• 35. پیاده‌سازی CNN با TensorFlow/Keras
• 36. پیاده‌سازی CNN با PyTorch
• 37. بهینه‌سازی CNN برای دستگاه‌های موبایل و embedded
• 38. Quantization و Pruning در CNN
• 39. Distillation دانش در CNN
• 40. تفسیرپذیری CNN: Visualizing Activations
• 41. Grad-CAM: Gradient-weighted Class Activation Mapping
• 42. CNN و شبکه‌های مولد تخاصمی (GANs)
• 43. کاربردهای پیشرفته CNN در صنایع مختلف
• 44. چالش‌ها و آینده CNN