اپلیکیشن اندرویدی فلش‌کارت آموزشی میکروکنترلرهای هوشمند: پیاده‌سازی الگوریتم‌های یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره میکروکنترلرهای هوشمند: پیاده‌سازی الگوریتم‌های یادگیری ماشین

موضوع کلی: کامپیوترهای تک‌برد و سیستم‌های توکار

موضوع میانی: هوش مصنوعی و یادگیری ماشین در سیستم‌های توکار

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه‌ای بر میکروکنترلرهای هوشمند
• 2. فصل دوم: معماری میکروکنترلرهای پرکاربرد
• 3. فصل سوم: اصول پایه‌ی یادگیری ماشین
• 4. فصل چهارم: انواع الگوریتم‌های یادگیری ماشین
• 5. فصل پنجم: یادگیری نظارت شده در میکروکنترلرها
• 6. فصل ششم: یادگیری بدون نظارت در میکروکنترلرها
• 7. فصل هفتم: یادگیری تقویتی در میکروکنترلرها
• 8. فصل هشتم: پیش‌پردازش داده‌ها برای میکروکنترلرها
• 9. فصل نهم: انتخاب ویژگی و مهندسی ویژگی
• 10. فصل دهم: مدل‌سازی و آموزش الگوریتم‌های ساده
• 11. فصل یازدهم: پیاده‌سازی رگرسیون خطی بر روی میکروکنترلر
• 12. فصل دوازدهم: پیاده‌سازی رگرسیون لجستیک بر روی میکروکنترلر
• 13. فصل سیزدهم: پیاده‌سازی ماشین‌های بردار پشتیبان (SVM)
• 14. فصل چهاردهم: پیاده‌سازی درخت‌های تصمیم بر روی میکروکنترلر
• 15. فصل پانزدهم: پیاده‌سازی جنگل‌های تصادفی بر روی میکروکنترلر
• 16. فصل شانزدهم: پیاده‌سازی K-نزدیک‌ترین همسایه (KNN)
• 17. فصل هفدهم: پیاده‌سازی الگوریتم K-Means برای خوشه‌بندی
• 18. فصل هجدهم: شبکه‌های عصبی مصنوعی: اصول اولیه
• 19. فصل نوزدهم: پیاده‌سازی پرسپترون تک لایه
• 20. فصل بیستم: پیاده‌سازی پرسپترون چند لایه
• 21. فصل بیست و یکم: توابع فعال‌سازی در شبکه‌های عصبی
• 22. فصل بیست و دوم: الگوریتم پس‌انتشار خطا (Backpropagation)
• 23. فصل بیست و سوم: شبکه‌های عصبی کانولوشنال (CNN) برای میکروکنترلرها
• 24. فصل بیست و چهارم: مقدمه‌ای بر پردازش تصویر در میکروکنترلرها
• 25. فصل بیست و پنجم: پیاده‌سازی فیلترهای کانولوشن ساده
• 26. فصل بیست و ششم: استخراج ویژگی‌های تصویر برای CNN
• 27. فصل بیست و هفتم: شبکه‌های عصبی بازگشتی (RNN) برای میکروکنترلرها
• 28. فصل بیست و هشتم: پردازش سیگنال‌های زمانی در میکروکنترلرها
• 29. فصل بیست و نهم: پیاده‌سازی شبکه‌های حافظه کوتاه مدت (LSTM)
• 30. فصل سی‌ام: پیاده‌سازی شبکه‌های حافظه طولانی کوتاه مدت (GRU)
• 31. فصل سی و یکم: کاربردهای یادگیری ماشین در اینترنت اشیاء (IoT)
• 32. فصل سی و دوم: سنسورهای هوشمند و جمع‌آوری داده
• 33. فصل سی و سوم: الگوریتم‌های تشخیص ناهنجاری در IoT
• 34. فصل سی و چهارم: سیستم‌های توصیه‌گر در دستگاه‌های هوشمند
• 35. فصل سی و پنجم: کنترل هوشمند در سیستم‌های خانگی
• 36. فصل سی و ششم: رباتیک و ناوبری هوشمند
• 37. فصل سی و هفتم: الگوریتم‌های بینایی ماشین برای ربات‌ها
• 38. فصل سی و هشتم: بهینه‌سازی الگوریتم‌های یادگیری ماشین برای میکروکنترلرها
• 39. فصل سی و نهم: تکنیک‌های کوانتیزاسیون مدل
• 40. فصل چهلم: هرس کردن (Pruning) مدل‌های یادگیری ماشین
• 41. فصل چهل و یکم: تقطیر دانش (Knowledge Distillation)
• 42. فصل چهل و دوم: استفاده از شتاب‌دهنده‌های سخت‌افزاری
• 43. فصل چهل و سوم: بهینه‌سازی حافظه و مصرف انرژی
• 44. فصل چهل و چهارم: ابزارها و فریم‌ورک‌های توسعه
• 45. فصل چهل و پنجم: TensorFlow Lite for Microcontrollers
• 46. فصل چهل و ششم: PyTorch Mobile
• 47. فصل چهل و هفتم: Apache MXNet on Edge
• 48. فصل چهل و هشتم: کتابخانه‌های بهینه‌سازی C/C++
• 49. فصل چهل و نهم: مقایسه فریم‌ورک‌ها برای کاربردهای میکروکنترلری
• 50. فصل پنجاهم: طراحی سیستم‌های Embedded ML
• 51. فصل پنجاه و یکم: چالش‌های پیاده‌سازی ML بر روی سخت‌افزار محدود
• 52. فصل پنجاه و دوم: مسائل اخلاقی در هوش مصنوعی تعبیه شده
• 53. فصل پنجاه و سوم: امنیت در دستگاه‌های هوشمند با ML
• 54. فصل پنجاه و چهارم: ارزیابی عملکرد مدل‌های ML بر روی میکروکنترلر
• 55. فصل پنجاه و پنجم: معیارهای ارزیابی دقت، صحت و بازیابی
• 56. فصل پنجاه و ششم: معیارهای ارزیابی مصرف انرژی و زمان اجرا
• 57. فصل پنجاه و هفتم: بهینه‌سازی پارامترها برای بهترین عملکرد
• 58. فصل پنجاه و هشتم: یادگیری ماشین روی دستگاه (On-Device Learning)
• 59. فصل پنجاه و نهم: آموزش فدرال (Federated Learning) برای میکروکنترلرها
• 60. فصل شصتم: الگوریتم‌های یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 61. فصل شصت و یکم: پیاده‌سازی Q-Learning بر روی میکروکنترلر
• 62. فصل شصت و دوم: پیاده‌سازی Deep Q-Networks (DQN)
• 63. فصل شصت و سوم: کاربردهای پیشرفته یادگیری تقویتی
• 64. فصل شصت و چهارم: یادگیری ماشینی برای تشخیص گفتار در میکروکنترلرها
• 65. فصل شصت و پنجم: تشخیص کلمات کلیدی (Keyword Spotting)
• 66. فصل شصت و ششم: پردازش زبان طبیعی (NLP) ساده در میکروکنترلرها
• 67. فصل شصت و هفتم: تحلیل احساسات (Sentiment Analysis) بر روی دستگاه
• 68. فصل شصت و هشتم: سیستم‌های پیش‌بینی در میکروکنترلرهای هوشمند
• 69. فصل شصت و نهم: پیش‌بینی خرابی تجهیزات (Predictive Maintenance)
• 70. فصل هفتادم: کاربردهای ML در صنعت خودروسازی
• 71. فصل هفتاد و یکم: سیستم‌های کمک راننده (ADAS)
• 72. فصل هفتاد و دوم: تشخیص اشیاء و موانع
• 73. فصل هفتاد و سوم: کاربردهای ML در پزشکی و سلامت
• 74. فصل هفتاد و چهارم: نظارت بر علائم حیاتی بیمار
• 75. فصل هفتاد و پنجم: تشخیص زودهنگام بیماری‌ها
• 76. فصل هفتاد و ششم: ابزارهای شبیه‌سازی و تست
• 77. فصل هفتاد و هفتم: ایجاد محیط‌های شبیه‌سازی برای ML روی میکروکنترلر
• 78. فصل هفتاد و هشتم: تست واحدهای نرم‌افزاری و سخت‌افزاری
• 79. فصل هفتاد و نهم: مدیریت چرخه حیات مدل ML
• 80. فصل هشتادم: بروزرسانی و نگهداری مدل‌های ML بر روی دستگاه
• 81. فصل هشتاد و یکم: قابلیت اطمینان و تحمل خطا در سیستم‌های ML
• 82. فصل هشتاد و دوم: یادگیری مداوم (Continual Learning)
• 83. فصل هشتاد و سوم: دسته‌بندی و طبقه‌بندی پیشرفته
• 84. فصل هشتاد و چهارم: تشخیص و ردیابی اشیاء متحرک
• 85. فصل هشتاد و پنجم: الگوریتم‌های تشخیص چهره روی دستگاه
• 86. فصل هشتاد و ششم: سیستم‌های تشخیص صدا و تشخیص لحن
• 87. فصل هشتاد و هفتم: تجزیه و تحلیل داده‌های سنسورهای چندگانه
• 88. فصل هشتاد و هشتم: همگرایی داده‌ها از سنسورهای مختلف
• 89. فصل هشتاد و نهم: ادغام مدل‌های ML در سیستم‌های موجود
• 90. فصل نودم: مهندسی نرم‌افزار برای سیستم‌های ML تعبیه شده
• 91. فصل نود و یکم: طراحی سیستم عامل بلادرنگ (RTOS) برای ML
• 92. فصل نود و دوم: ارتباطات بین پردازشی (IPC) در سیستم‌های ML
• 93. فصل نود و سوم: بهینه‌سازی برای پردازنده‌های گرافیکی تعبیه شده (Embedded GPUs)
• 94. فصل نود و چهارم: کاربردهای ML در رباتیک پروازی (Drones)
• 95. فصل نود و پنجم: ناوبری خودمختار پهپادها
• 96. فصل نود و ششم: پردازش تصویر در زمان پرواز
• 97. فصل نود و هفتم: آینده یادگیری ماشین در میکروکنترلرهای هوشمند
• 98. فصل نود و هشتم: روندها و نوآوری‌های جدید
• 99. فصل نود و نهم: یادگیری ماشین کوانتومی برای میکروکنترلرها
• 100. فصل صدم: جمع‌بندی و گام‌های بعدی