اکسپرس 24
کتاب کاربرد یادگیری عمیق در تشخیص بیماری‌های گیاهی

کتاب کاربرد یادگیری عمیق در تشخیص بیماری‌های گیاهی

تگ‌ها: apple scab convolutional neural networks deep learning disease classification edge AI farm management system image segmentation IoT integration plant disease detection precision agriculture smart farming tomato leaf disease transfer learning Vision Transformers wheat rust

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 کاربرد یادگیری عمیق در تشخیص بیماری‌های گیاهی

موضوع کلی: امنیت غذایی و کشاورزی پایدار

موضوع میانی: سیستم‌های مدیریت اطلاعات مزرعه

📋 سرفصل‌های دوره

  • 1. مقدمه بر pathogen‌های گیاهی و اثرات آن بر عملکرد محصول
  • 2. taxonomy بیماری‌های گیاهی و کلاسificazione بر اساس علائم
  • 3. اصول برداری تصویر گیاهان در شرایط میدانی
  • 4. نورپردازی و تنظیم دوربین برای دریافت تصاویر با کیفیت بالا
  • 5. پیش‌پردازش تصاویر: حذف پس‌زمینه و نرمال‌سازی رنگ
  • 6. تکنیک‌های augmentation داده برای افزایش تنوع مجموعه آموزشی
  • 7. معرفی مجموعه داده‌های عمومی PlantVillage، IP102 و Rice Diseases
  • 8. ساخت وEtichettage دیتاست اختصاصی برای مزرعه هدف
  • 9. ابزارهای labeling: استفاده از LabelImg، CVAT و VGG Image Annotator
  • 10. اصول شبکه‌های عصبی عمیق و perceptron
  • 11. ’architecture CNN کلاسیک: LeNet، AlexNet
  • 12. ’architecture VGG و ویژگی‌های عمیق استخراج شده
  • 13. Residual Networks (ResNet) و مزایای آن در تشخیص بیماری
  • 14. DenseNet و اتصال denses برای بهبود Grad-CAM
  • 15. Inception و modularity برای کاهش پارامترها
  • 16. MobileNet و EfficientNet برای استقرار در دستگاه‌های edge
  • 17. آموزش شبکه از صفر vs transfer learning از مدل‌های پیش‌آموزش‌شده
  • 18. Fine-tuninglast layers برای تخصص به بیماری‌های خاص
  • 19. استخراج ویژگی‌های يدوی مقابل یادگیری عمیق (HOG، LBP، SIFT)
  • 20. طراحی pipeline کامل از تصویر تا تشخيص خودکار
  • 21. توابع loss مناسب: Cross‑Entropy، Focal Loss، weighted loss برای کلاس‌های نامتناسب
  • 22. بهینه‌سازها: SGD، Adam، RMSprop و تنظیم learning rate
  • 23. برنامه‌ریزی epochs و early stopping بر پایهٔ validation loss
  • 24. معیارهای ارزیابی: accuracy، precision، recall، F1‑score، confusion matrix
  • 25. ROC curve و AUC برای multiclass problem
  • 26. تکنیک‌های کلاس‑عدم‌تعادل: oversampling، undersampling، class weighting
  • 27. استفاده از ensemble learning: voting، stacking، bagging مدل‌های CNN
  • 28. تطبیق مدل برای تشخیص multi-label (بیماری‌های همزمان)
  • 29. segmentação Semantic با U-Net برای localization lesión
  • 30. Mask R-CNN برای تشخیص و ماسک 동시에
  • 31. توضیحabilitiy با Grad‑CAM، Grad‑CAM++ و Eigen‑CAM
  • 32. Visualization ویژگی‌های mittleren layers برای درک مدل
  • 33. کاهش ابعاد مدل با pruning و quantization برای استقرار درembedded
  • 34. تبدیل مدل به TensorFlow Lite، ONNX و OpenVINO
  • 35. استخراج مدل در Raspberry Jetson Nano و boards کشاورزی
  • 36. Integrating model with irrigation control و fertigation بر اساس تشخیص
  • 37. اتصال به IoT sensorهای رطوبت، دما و نور برای contexte‑aware تشخیص
  • 38. استفاده از edge computing برای inferencing real‑time در حوزه مزرعه
  • 39. طراحی API RESTful برای servir مدل به اپلیکیشن موبایل
  • 40. توسعه اپلیکیشن موبایل Android/iOS برای اسکن برگ و نمایشResult
  • 41. به‌روزرسانی OTA مدل از سرور مرکزی به دستگاه‌های ميدان
  • 42. مدیریت نسخه‌های مدل و A/B testing در محیط تولید
  • 43. اطمینان از حریم خصوصی داده‌های مزارع و انطباق با GDPR/CCPA
  • 44. auditing و traceability پیش‌بینی‌های مدل برای calim کشاورزی
  • 45. integrating deep‑learning output with farm management information systems (FMIS)
  • 46. تبادل داده با ERP کشاورزی عبر استانداردهای ISO 11783 (ISOBUS)
  • 47. استفاده از spatio‑temporal modeling برای پیش‌بینی شیوع بیماری
  • 48. ترکیب داده‌های ماهواره‌ای (Sentinel‑2، Landsat) با تصویرGround‑Truth
  • 49. تشخیص frühen Stadien病変 با hyperspectral imaging و deep learning
  • 50. ترکیب LiDAR و عمق برای تشخیص آسیب‌های structural
  • 51. استفاده از Generative Adversarial Networks (GAN) برای تولید synthetic diseased葉
  • 52. Data augmentation با Style Transfer و CycleGAN برای تنوع بیشتر
  • 53. آموزش self‑supervised learning از تصاویر بدون برچسب (SimCLR، MoCo)
  • 54. Few‑shot learning برای بیماری‌های نایاب با meta‑learning
  • 55. ゼロ‑شوت aprendizaje با CLIP و متن توصیف病变
  • 56. بهینه‌سازی hiperپارامترها با Bayesian optimization و Optuna
  • 57. ارزیابی استحکام مدل در برابر تغییرات نور، ضخامت خاک و حشره
  • 58. تست feld در شرایط واقعی: piloto در مزرعه گندم، بن门، سیب
  • 59. تحلیل هزینه‑منفعة استفاده از deep‑learning gegenüber expert visual scouting
  • 60. آموزش کارکنان مزرعه برای interpreta­tion خروجی مدل
  • 61. ایجاد داشبورد monitoring real‑time در平台 وب
  • 62. هشدار خودکار از طریق SMS/Telegram عند تجاوز آستانه خطر
  • 63. Integrating معیارهای Sustainability: کاهش استفاده از داروهای شیمیایی به‌بهینه‌سازی spraying
  • 64. مورد موردی: تشخیص صدای صدای گلابی در گندم با CNN 1D بر روی سیگنالهای صوتی
  • 65. مورد موردی: تشخیص بیماری‌های ریشگی با imaging ریشه و deep learning
  • 66. استفاده از multimodal داده (تصویر + спектر + دما) در یک مدل fusión
  • 67. معماری atenção (Transformer) برای پردازش دنباله تصویر متتابع
  • 68. تطبيق Vision Transformers (ViT) برای تشخیص بیماری‌های برگ
  • 69. مقایسه CNN vs Transformer در دقت و زمان inferencing
  • 70. بهینه‌سازی inferencing با TensorRT و CUDA cores
  • 71. به‌کارگیری model distillation برای ساخت نسخهٔ کوچک‑حجم با ضیاع کم
  • 72. تست robustness در برابر حملات عدوایی (adversarial examples) و verteidigung
  • 73. استراتژی‌های به‌روزرسانی مستمر مدل با داده‌های جدید (online learning)
  • 74. ایجاد pipeline CI/CD برای آموزش و استقرار خودکار مدل
  • 75. documentation و reproducibility: استفاده از MLflow و DVC
  • 76. بررسی اثرات محیطی (دما، رطوبت) بر عملکرد مدل و تنظیم threshold
  • 77. تنظیم خودکار آستانه تشخيص بر پایهٔ هزینه‑منفعة perdida tuot
  • 78. استفاده از uncertainty estimation (Monte Carlo Dropout) برای تشخیص نااطمینان
  • 79. Integrating uncertainty به decisiones spraying: spray فقط وقتی confidence > threshold
  • 80. مورد موردی: تشخیص بیماری‌های انبوه‌دار با spectrogram و CNN 2D
  • 81. مورد موردی: تشخیص بیماری‌های انبوه‌دار با تبدیل spectrogram و CNN
  • 82. مورد موردی: تشخیص بیماری‌های انبوه‌دار با LSTM بر روی سری زمانی спектر
  • 83. مورد موردی: تشخیص بیماری‌های انبوه‌دار با hybrid CNN‑LSTM
  • 84. مورد موردی: تشخیص بیماری‌های انبوه‌دار با attention‑based temporal network

📚 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.