کتاب تشخیص ناهنجاری با شبکه‌های عصبی سبک در دستگاه‌های Embedded

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری با شبکه‌های عصبی سبک در دستگاه‌های Embedded

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

  • 1. مقدمه برای سیستم‌های تعبیه‌شده: معماری و محدودیت‌های منابع
  • 2. پیش‌پردازش داده‌های سنسور در محیط‌های Embedded
  • 3. مبانی یادگیری ماشین برای مهندسی تعبیه‌شده
  • 4. معرفی شبکه‌های عصبی عمیق و معماری‌های پایه
  • 5. آشنایی با مفهوم ناهنجاری و انواع آن در سیستم‌های صنعتی
  • 6. الگوریتم‌های کلاسیک تشخیص ناهنجاری و محدودیت‌های آن‌ها
  • 7. معماری شبکه‌های عصبی خودمشاهده (Autoencoder) برای تشخیص ناهنجاری
  • 8. ساختار Convolutional Autoencoder و کاربرد در سیگنال‌های تعبیه‌شده
  • 9. LSTM و GRU برای شناسایی ناهنجاری در داده‌های سری زمانی Embedded
  • 10. شبکه‌های عصبی با دیاتمیک یکنواخت (Denoising Autoencoder) برای فیلتر نویز
  • 11. معماری Lightweight: شبکه‌های عصبی کم‌پارامتر برای دستگاه‌های محدود
  • 12. شبکه‌های عصبی باینری (Binary Neural Networks) و مزایای آن‌ها در Embedded
  • 13. معماری MobileNet و SqueezeNet: کاهش همگرایی مدل‌های عمیق
  • 14. شبکه‌های عصبی خودمشاهده فشرده (Compressed Autoencoder) برای سیستم‌های تعبیه‌شده
  • 15. نمونه‌برداری دانه‌ای (Quantization) شبکه‌های عصبی برای پردازنده‌های میکروکنترولری
  • 16. پرونه‌سازی مدل (Pruning) و حذف پیوندهای بی‌اثیر برای کاهش سنگینی شبکه
  • 17. پیدایش دانه‌ای (Knowledge Distillation): انتقال دانش از مدل بزرگ به مدل سبک
  • 18. استفاده از شبکه‌های کانولوشنی کم‌عمق برای تشخیص ناهنجاری تصویری در Embedded
  • 19. تشخیص ناهنجاری مبتنی بر Transformerهای سبک در دستگاه‌های تعبیه‌شده
  • 20. معماری TinyML: اجرای شبکه‌های عصبی روی میکروکنترلرها
  • 21. فریم‌ورک TensorFlow Lite Micro برای پیاده‌سازی مدل‌های سبک
  • 22. فریم‌ورک Edge Impulse و گردش کار طراحی مدل تشخیص ناهنجاری
  • 23. پیاده‌سازی Inference روی ESP32 و STM32 با مدل‌های عصبی سبک
  • 24. بهینه‌سازی حافظه: مدیریت وزن‌ها و فعالیت‌ها در حافظه محدود Embedded
  • 25. پیاده‌سازی پشته‌بندی (Quantization-Aware Training) برای دقت بالاتر در مدل‌های فشرده
  • 26. تابع هزینه و معیارهای ارزیابی مدل‌های تشخیص ناهنجاری در Embedded
  • 27. تعادل بین دقت و سرعت استنتاج در سیستم‌های لحظه‌ای
  • 28. پهنای باند محاسباتی و محدودیت‌های MAC در پردازنده‌های تعبیه‌شده
  • 29. پیاده‌سازی عموم‌سازی (Generalization) در مدل‌های تشخیص ناهنجاری سبک
  • 30. مدل‌سازی سری زمانی با 1D-CNN سبک برای سنسورهای IoT
  • 31. تشخیص ناهنجاری مبتنی بر تحلیل فرکانسی با شبکه‌های عصبی سبک
  • 32. استفاده از Signal Processing و ترکیب آن با لایه‌های عصبی در Embedded
  • 33. پایش سلامت موتور با تشخیص ناهنجاری با شبکه‌عصبی سبک
  • 34. تشخیص ناهنجاری در سیستم‌های HVAC با مدل‌های Lightweight
  • 35. شناسایی ناهنجاری در داده‌های سنسورهای حرارتی و فشار با Autoencoder سبک
  • 36. تشخیص ناهنجاری در سیستم‌های باتری و مدیریت انرژی با شبکه‌های عصبی
  • 37. پیاده‌سازی Real-Time Anomaly Detection روی پردازنده‌های Cortex-M
  • 38. استفاده از ESP-NOW و پروتکل‌های لبه‌ای برای ارسال هشدار ناهنجاری
  • 39. تست و اعتبارسنجی مدل تشخیص ناهنجاری در شرایط واقعی Embedded
  • 40. مدیریت خطا و ریکاوری در سیستم‌های تشخیص ناهنجاری Embedded
  • 41. به‌روزرسانی مدل (Model Update) بدون قطعی در دستگاه‌های تعبیه‌شده
  • 42. پیش‌نیازهای سخت‌افزاری: انتخاب سنسور و پردازنده مناسب برای تشخیص ناهنجاری
  • 43. نصب و پیکربندی محیط توسعه Edge برای مدل‌های عصبی Embedded
  • 44. ساخت دیتاست برای آموزش تشخیص ناهنجاری در دستگاه‌های Embedded
  • 45. افزایش داده (Data Augmentation) برای داده‌های ناهنجاری محدود
  • 46. آموزش مدل تشخیص ناهنجاری روی ابر و استقرار روی لبه
  • 47. پروتکل‌های ارتباطی MQTT و CoAP در معماری تشخیص ناهنجاری Embedded
  • 48. مقایسه عملکرد مدل‌های تشخیص ناهنجاری سبک: Precision, Recall, F1-Score
  • 49. تحلیل تأثیر نویز سنسور برای دقت مدل تشخیص ناهنجاری
  • 50. مدل‌سازی انحرافات کلاسیکی (Statistical Process Control) ترکیبی با شبکه‌های عصبی
  • 51. تشخیص ناهنجاری چند‌مدلی (Ensemble) با شبکه‌های عصبی سبک در Embedded
  • 52. پیاده‌سازی Federated Learning برای آموزش تجمیعی تشخیص ناهنجاری در Edge
  • 53. معماری استوانه‌ای (Federated Anomaly Detection) برای سیستم‌های IoT گسترده
  • 54. محدودیت‌های استنتاج شبکه‌های عصبی سبک و راهکارهای عملی
  • 55. بهینه‌سازی انرژی در مدل‌های تشخیص ناهنجاری برای دستگاه‌های باتری‌دار
  • 56. تحلیل تأثیر دما و رطوبت بر عملکرد مدل‌های عصبی در Embedded
  • 57. پروژه‌ی پایانی: طراحی سیستم کامل تشخیص ناهنجاری با شبکه‌عصبی سبک روی میکروکنترلر

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.