اپلیکیشن اندرویدی فلش‌کارت آموزشی شناخت ساختار و عملیات لایه‌های کانولوشنال در شبکه‌های عصبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شناخت ساختار و عملیات لایه‌های کانولوشنال در شبکه‌های عصبی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: شبکه های عصبی کانولوشنال (Convolutional Neural Networks - CNN)

📋 سرفصل‌های دوره

• 1. آشنایی با شبکه‌های عصبی عمیق
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع شبکه‌های عصبی
• 4. کاربرد شبکه‌های عصبی
• 5. مفهوم لایه‌های کانولوشنال
• 6. انواع لایه‌ها در شبکه‌های عصبی
• 7. شبکه‌های عصبی کانولوشنی (CNN)
• 8. ساختار اصلی CNN
• 9. نقش لایه‌های کانولوشنال
• 10. تکنیک‌های کانولوشن
• 11. فیلترها یا هسته‌ها
• 12. ابعاد فیلترها
• 13. گام یا Stride
• 14. Padding
• 15. حالت‌های Padding
• 16. انواع Padding
• 17. عملیات کانولوشن
• 18. ورودی لایه کانولوشنال
• 19. خروجی لایه کانولوشنال
• 20. محاسبات کانولوشن
• 21. اثر فیلترها بر ورودی
• 22. ویژگی‌های استخراج شده
• 23. افزایش عمق ویژگی‌ها
• 24. تعداد فیلترها
• 25. مقدار دهی اولیه فیلترها
• 26. یادگیری وزن فیلترها
• 27. تابع فعال‌سازی
• 28. عملیات پس از کانولوشن
• 29. کاهش ابعاد
• 30. لایه‌های Pooling
• 31. انواع Pooling
• 32. Max Pooling
• 33. Average Pooling
• 34. اندازه پنجره Pooling
• 35. گام Pooling
• 36. نقش Pooling
• 37. فشرده‌سازی اطلاعات
• 38. کاهش تعداد پارامترها
• 39. مقاومت در برابر جابجایی
• 40. لایه‌های غیرخطی
• 41. ReLu
• 42. Sigmoid
• 43. Tanh
• 44. عملکرد توابع فعال‌سازی
• 45. کاربرد Non-linearity
• 46. لایه‌های Fully Connected
• 47. ارتباط با لایه‌های قبلی
• 48. نقش لایه‌های Fully Connected
• 49. طبقه‌بندی نهایی
• 50. استخراج ویژگی کلی
• 51. اتصال تمام نورون‌ها
• 52. ماتریس وزن
• 53. Bias
• 54. تابع فعال‌سازی در FC
• 55. ساختار CNN برای تصویر
• 56. لایه‌های کانولوشنال اولیه
• 57. استخراج ویژگی‌های ساده
• 58. لایه‌های کانولوشنال عمیق‌تر
• 59. استخراج ویژگی‌های پیچیده
• 60. ترکیب لایه‌ها
• 61. Backpropagation
• 62. قانون زنجیره‌ای
• 63. بهینه‌سازی وزن‌ها
• 64. تابع هزینه (Loss Function)
• 65. گرادیان نزولی (Gradient Descent)
• 66. بهینه‌سازها (Optimizers)
• 67. Adam Optimizer
• 68. SGD Optimizer
• 69. RMSprop Optimizer
• 70. تنظیم نرخ یادگیری (Learning Rate)
• 71. مقداردهی اولیه وزن‌ها
• 72. نرمال‌سازی دسته‌ای (Batch Normalization)
• 73. نقش Batch Normalization
• 74. بهبود سرعت آموزش
• 75. پایداری آموزش
• 76. Regularization Techniques
• 77. Dropout
• 78. L1 and L2 Regularization
• 79. Data Augmentation
• 80. کاربرد Data Augmentation
• 81. افزایش حجم داده
• 82. تنوع داده
• 83. شبکه‌های عصبی کانولوشنی پیشرفته
• 84. ResNet
• 85. Inception
• 86. AlexNet
• 87. EfficientNet
• 88. YOLO
• 89. Faster R-CNN
• 90. کاربرد CNN در بینایی ماشین
• 91. تشخیص اشیاء
• 92. تقسیم‌بندی تصاویر (Segmentation)
• 93. شناسایی چهره
• 94. تحلیل ویدئو
• 95. تولید تصاویر
• 96. CNN در پردازش زبان طبیعی
• 97. تشخیص احساسات
• 98. ترجمه ماشینی
• 99. خلاصه‌سازی متن
• 100. شناخت گفتار