اپلیکیشن اندرویدی فلشکارت آموزشی کاربرد TinyML در اینترنت اشیاء (IoT): از سنسور تا هوش مصنوعی
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره کاربرد TinyML در اینترنت اشیاء (IoT): از سنسور تا هوش مصنوعی
موضوع کلی: برنامهنویسی کامپیوترهای شخصی
موضوع میانی: TinyML
📋 سرفصلهای دوره
- 1. مقدمه ای بر اینترنت اشیاء (IoT)
- 2. مبانی TinyML
- 3. مقدمه ای بر یادگیری ماشین (ML)
- 4. مقدمه ای بر یادگیری عمیق (DL)
- 5. تفاوت بین ML و DL
- 6. چالش های پردازش در لبه (Edge Computing)
- 7. محدودیت های منابع در دستگاه های IoT
- 8. معماری TinyML
- 9. سخت افزار مناسب برای TinyML
- 10. میکروکنترلرها برای TinyML
- 11. پردازنده های کم مصرف
- 12. سنسورها در IoT
- 13. انواع سنسورها
- 14. رابط های سنسور
- 15. جمع آوری داده از سنسورها
- 16. پیش پردازش داده های سنسور
- 17. فیلترینگ داده ها
- 18. نرمال سازی داده ها
- 19. کاهش ابعاد داده ها
- 20. انواع مدل های یادگیری ماشین برای TinyML
- 21. رگرسیون خطی
- 22. رگرسیون لجستیک
- 23. ماشین های بردار پشتیبان (SVM)
- 24. درختان تصمیم
- 25. جنگل های تصادفی
- 26. شبکه های عصبی کانولوشنی (CNN) برای TinyML
- 27. شبکه های عصبی بازگشتی (RNN) برای TinyML
- 28. شبکه های عصبی کوتاه و بلند حافظه (LSTM) برای TinyML
- 29. کاربرد CNN در تشخیص الگو
- 30. کاربرد RNN در تحلیل سری های زمانی
- 31. کاربرد LSTM در پیش بینی
- 32. توسعه مدل های TinyML
- 33. انتخاب معماری مدل
- 34. آموزش مدل های TinyML
- 35. بهینه سازی مدل ها برای منابع محدود
- 36. کوچک سازی مدل (Model Compression)
- 37. هرس کردن (Pruning)
- 38. کوانتیزاسیون (Quantization)
- 39. تقطیر دانش (Knowledge Distillation)
- 40. فریمورک های TinyML
- 41. TensorFlow Lite for Microcontrollers
- 42. PyTorch Mobile
- 43. Apache TVM
- 44. CMSIS-NN
- 45. ابزارهای توسعه TinyML
- 46. محیط های توسعه یکپارچه (IDE)
- 47. دیباگرها
- 48. شبیه سازها
- 49. پیاده سازی TinyML بر روی دستگاه های IoT
- 50. بارگذاری مدل بر روی میکروکنترلر
- 51. اجرای مدل بر روی سخت افزار
- 52. ارزیابی عملکرد مدل
- 53. معیارهای ارزیابی
- 54. دقت (Accuracy)
- 55. دقت (Precision)
- 56. بازیابی (Recall)
- 57. امتیاز F1
- 58. توان مصرفی
- 59. تاخیر (Latency)
- 60. برنامه های کاربردی TinyML در IoT
- 61. نظارت بر سلامت
- 62. تشخیص ناهنجاری (Anomaly Detection)
- 63. تشخیص چهره
- 64. تشخیص گفتار
- 65. تشخیص اشیاء
- 66. تشخیص فعالیت انسانی (Human Activity Recognition)
- 67. کشاورزی هوشمند
- 68. نظارت بر خاک
- 69. نظارت بر آب و هوا
- 70. تشخیص آفات
- 71. مدیریت منابع
- 72. شهر هوشمند
- 73. مدیریت ترافیک
- 74. نظارت بر کیفیت هوا
- 75. مدیریت زباله
- 76. ساختمان هوشمند
- 77. بهینه سازی مصرف انرژی
- 78. نظارت بر حضور
- 79. امنیت
- 80. صنعت هوشمند
- 81. نگهداری پیشگیرانه (Predictive Maintenance)
- 82. کنترل کیفیت
- 83. رباتیک
- 84. کاربرد TinyML در اینترنت اشیاء پزشکی
- 85. نظارت بر بیمار از راه دور
- 86. دستگاه های پوشیدنی سلامت
- 87. تشخیص زودهنگام بیماری
- 88. کاربرد TinyML در اینترنت اشیاء صنعتی (IIoT)
- 89. کنترل فرآیند
- 90. اتوماسیون
- 91. مانیتورینگ خط تولید
- 92. کاربرد TinyML در اینترنت اشیاء خودرو
- 93. خودروهای خودران
- 94. سیستم های کمک راننده (ADAS)
- 95. نظارت بر وضعیت خودرو
- 96. امنیت در TinyML و IoT
- 97. حفظ حریم خصوصی داده ها
- 98. امنیت مدل ها
- 99. حمله به مدل های TinyML
- 100. روش های دفاع در برابر حملات
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.