کتاب یادگیری با تعداد کم نمونه در بینایی ماشین: از صفر تا قهرمان

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 یادگیری با تعداد کم نمونه در بینایی ماشین: از صفر تا قهرمان

موضوع کلی: هوش مصنوعی

موضوع میانی: بینایی ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری با تعداد کم نمونه (Few-Shot Learning)
  • 2. چرا یادگیری با تعداد کم نمونه مهم است؟
  • 3. تفاوت یادگیری با تعداد کم نمونه با یادگیری سنتی
  • 4. کاربردهای عملی یادگیری با تعداد کم نمونه در بینایی ماشین
  • 5. مبانی یادگیری متریک (Metric Learning)
  • 6. فاصله اقلیدسی و کاربردهای آن
  • 7. یادگیری مبتنی بر همسایگی (k-NN)
  • 8. شبکه‌های سیامی (Siamese Networks)
  • 9. تابع ضرر Contrastive Loss
  • 10. شبکه‌های تطبیقی (Triplet Networks)
  • 11. تابع ضرر Triplet Loss
  • 12. انتخاب سه‌تایی مناسب در شبکه‌های تطبیقی
  • 13. یادگیری مبتنی بر مدل (Model-based Meta-Learning)
  • 14. مقدمه‌ای بر متا-یادگیری
  • 15. MAML (Model-Agnostic Meta-Learning)
  • 16. الگوریتم‌های بهینه‌سازی در MAML
  • 17. یادگیری مبتنی بر بهینه‌سازی مدل (Optimization-based Meta-Learning)
  • 18. Reptile: یک الگوریتم متا-یادگیری ساده
  • 19. یادگیری مبتنی بر مدل با حافظه (Memory-augmented Neural Networks)
  • 20. شبکه‌های حافظه کوتاه‌مدت (LSTM) و کاربرد آن‌ها
  • 21. شبکه‌های حافظه بلندمدت (LSTMs) در یادگیری با تعداد کم نمونه
  • 22. Meta-Networks
  • 23. یادگیری با تعداد کم نمونه از طریق انتقال یادگیری (Transfer Learning)
  • 24. Fine-tuning شبکه‌های از پیش آموزش‌دیده
  • 25. استفاده از ویژگی‌های استخراج‌شده از شبکه‌های از پیش آموزش‌دیده
  • 26. یادگیری با تعداد کم نمونه با استفاده از داده‌های مصنوعی (Data Augmentation)
  • 27. تکنیک‌های افزایش داده در بینایی ماشین
  • 28. روش‌های تولید داده‌های مصنوعی برای یادگیری با تعداد کم نمونه
  • 29. یادگیری با تعداد کم نمونه با استفاده از شبکه‌های مولد تخاصمی (GANs)
  • 30. تولید تصاویر جدید با استفاده از GANs
  • 31. استفاده از GANs برای افزایش تنوع داده‌ها
  • 32. یادگیری با تعداد کم نمونه با استفاده از خودرمزگذارها (Autoencoders)
  • 33. خودرمزگذارهای متغیر (Variational Autoencoders - VAEs)
  • 34. استفاده از VAEs برای یادگیری نمایش‌های داده
  • 35. یادگیری با تعداد کم نمونه با استفاده از شبکه‌های توجه (Attention Networks)
  • 36. مکانیسم‌های توجه در شبکه‌های عصبی
  • 37. استفاده از توجه برای تمرکز بر ویژگی‌های مهم
  • 38. یادگیری با تعداد کم نمونه و یادگیری تقویتی (Reinforcement Learning)
  • 39. استفاده از یادگیری تقویتی برای انتخاب نمونه‌های آموزشی
  • 40. Meta-Reinforcement Learning
  • 41. چالش‌ها و محدودیت‌های یادگیری با تعداد کم نمونه
  • 42. مسائل مربوط به تعمیم‌پذیری
  • 43. اثرات اندازه مجموعه داده
  • 44. مقایسه روش‌های مختلف یادگیری با تعداد کم نمونه
  • 45. ارزیابی عملکرد مدل‌های یادگیری با تعداد کم نمونه
  • 46. معیارهای ارزیابی (Accuracy, Precision, Recall, F1-score)
  • 47. مجموعه‌داده‌های استاندارد برای یادگیری با تعداد کم نمونه (MiniImageNet, CUB)
  • 48. پیاده‌سازی عملی یادگیری با تعداد کم نمونه در پایتون و TensorFlow/PyTorch
  • 49. آماده‌سازی داده‌ها برای یادگیری با تعداد کم نمونه
  • 50. ساخت و آموزش شبکه‌های سیامی با TensorFlow/PyTorch
  • 51. ساخت و آموزش شبکه‌های تطبیقی با TensorFlow/PyTorch
  • 52. استفاده از MAML در TensorFlow/PyTorch
  • 53. بهینه‌سازی هایپرپارامترها در یادگیری با تعداد کم نمونه
  • 54. تکنیک‌های تنظیم هایپرپارامترها
  • 55. روش‌های جستجوی شبکه
  • 56. کاربردهای پیشرفته یادگیری با تعداد کم نمونه
  • 57. تشخیص اشیاء با تعداد کم نمونه
  • 58. تقسیم‌بندی معنایی با تعداد کم نمونه
  • 59. تشخیص چهره با تعداد کم نمونه
  • 60. آینده یادگیری با تعداد کم نمونه
  • 61. تحقیقات در حال انجام
  • 62. جهت‌گیری‌های آینده

📚 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.