اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت برنامهٔ تشخیص تصویر با استفاده از Gemini در Vertex AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامهٔ تشخیص تصویر با استفاده از Gemini در Vertex AI

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ برنامه‌های هوش مصنوعی با استفاده از مدل‌های مولد

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه‌ای بر مدل‌های مولد
• 5. معماری‌های شبکه‌های عصبی
• 6. شبکه‌های عصبی کانولوشنی (CNN)
• 7. شبکه‌های عصبی بازگشتی (RNN)
• 8. ترنسفورمرها و مکانیسم توجه
• 9. معرفی Gemini و قابلیت‌های آن
• 10. معرفی Google Cloud Platform (GCP)
• 11. مقدمه‌ای بر Vertex AI
• 12. ایجاد حساب کاربری GCP و فعال‌سازی سرویس‌ها
• 13. محیط توسعهٔ یکپارچه (IDE) در Vertex AI
• 14. مدیریت داده‌ها در Vertex AI
• 15. پیش‌پردازش داده‌ها برای تشخیص تصویر
• 16. برچسب‌گذاری داده‌ها و اهمیت آن
• 17. آماده‌سازی مجموعه داده برای آموزش مدل
• 18. آشنایی با مفاهیم پایگاه داده و ذخیره‌سازی ابری
• 19. استفاده از Cloud Storage برای داده‌های تصویری
• 20. مقدمه‌ای بر آموزش مدل‌های یادگیری ماشین
• 21. پارامترها و ابرپارامترهای مدل
• 22. تابع هزینه و بهینه‌سازی
• 23. الگوریتم‌های بهینه‌سازی (مانند Adam، SGD)
• 24. تنظیم نرخ یادگیری
• 25. اعتبارسنجی و جلوگیری از بیش‌برازش (Overfitting)
• 26. روش‌های تنظیم (Regularization)
• 27. مقدمه‌ای بر تشخیص تصویر
• 28. وظایف پایه‌ای در تشخیص تصویر
• 29. طبقه‌بندی تصویر (Image Classification)
• 30. تشخیص اشیاء (Object Detection)
• 31. بخش‌بندی تصویر (Image Segmentation)
• 32. انتخاب مدل مناسب برای تشخیص تصویر
• 33. معماری‌های پیشرفته CNN برای تشخیص تصویر
• 34. کاربرد ترنسفورمرها در تشخیص تصویر
• 35. مقدمه‌ای بر مدل‌های مولد برای تصاویر
• 36. تولید تصویر با استفاده از شبکه‌های مولد تخاصمی (GANs)
• 37. مقدمه‌ای بر مدل‌های مولد مبتنی بر انتشار (Diffusion Models)
• 38. کاربرد Gemini در تولید و پردازش تصویر
• 39. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 40. مفهوم انتقال یادگیری (Transfer Learning)
• 41. استفاده از Gemini برای طبقه‌بندی تصویر
• 42. استفاده از Gemini برای تشخیص اشیاء
• 43. استفاده از Gemini برای بخش‌بندی تصویر
• 44. آموزش مدل تشخیص تصویر سفارشی با Gemini
• 45. تنظیمات آموزش مدل در Vertex AI
• 46. مدیریت آموزش‌های مدل (Experiments)
• 47. نظارت بر فرآیند آموزش
• 48. ارزیابی عملکرد مدل
• 49. معیارهای ارزیابی برای طبقه‌بندی تصویر
• 50. معیارهای ارزیابی برای تشخیص اشیاء
• 51. معیارهای ارزیابی برای بخش‌بندی تصویر
• 52. تفسیر نتایج ارزیابی مدل
• 53. بهبود عملکرد مدل
• 54. تنظیم ابرپارامترها برای بهبود
• 55. افزایش حجم داده‌ها (Data Augmentation)
• 56. استفاده از تکنیک‌های پیشرفتهٔ تنظیم
• 57. مقدمه‌ای بر استقرار (Deployment) مدل
• 58. استقرار مدل در Vertex AI Endpoints
• 59. ایجاد API برای دسترسی به مدل
• 60. تست Endpoint مدل
• 61. مانیتورینگ عملکرد مدل مستقر شده
• 62. توسعهٔ رابط کاربری (UI) برای برنامهٔ تشخیص تصویر
• 63. مقدمه‌ای بر فریم‌ورک‌های توسعهٔ وب (مانند Flask، Django)
• 64. یکپارچه‌سازی با Vertex AI Prediction API
• 65. طراحی معماری برنامهٔ تشخیص تصویر
• 66. مدیریت خطا و استثنائات در برنامه
• 67. مسائل امنیتی در برنامه‌های هوش مصنوعی
• 68. حفاظت از داده‌ها و مدل‌ها
• 69. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 70. سوگیری در مدل‌ها و داده‌ها
• 71. مسئولیت‌پذیری در توسعهٔ هوش مصنوعی
• 72. کاربرد هوش مصنوعی در صنعت
• 73. کاربرد هوش مصنوعی در پزشکی
• 74. کاربرد هوش مصنوعی در کشاورزی
• 75. کاربرد هوش مصنوعی در حمل و نقل
• 76. ملاحظات قانونی و مقرراتی در هوش مصنوعی
• 77. استانداردهای کیفیت در توسعهٔ نرم‌افزار
• 78. روش‌های چابک (Agile) در توسعهٔ نرم‌افزار
• 79. مستندسازی فنی برنامه
• 80. آزمایش و تضمین کیفیت (QA)
• 81. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 82. شبکه‌های عصبی گراف (GNNs)
• 83. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 84. پردازش زبان طبیعی (NLP) و ارتباط آن با بینایی ماشین
• 85. کاربرد مدل‌های مولد در کاربردهای دیگر
• 86. مقدمه‌ای بر Edge AI
• 87. استقرار مدل‌ها بر روی دستگاه‌های لبه
• 88. بهینه‌سازی مدل‌ها برای اجرا بر روی سخت‌افزارهای محدود
• 89. مقدمه‌ای بر MLOps
• 90. ابزارها و تکنیک‌های MLOps
• 91. پایپ‌لاین‌های خودکار برای ML
• 92. مدیریت چرخهٔ عمر مدل‌های ML
• 93. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 94. ابزارهای پردازش داده‌های بزرگ
• 95. تحلیل داده‌های بزرگ برای بینایی ماشین
• 96. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 97. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 98. مقدمه‌ای بر هوش مصنوعی قابل تفسیر (XAI)
• 99. تکنیک‌های تفسیرپذیری مدل
• 100. اهمیت شفافیت در مدل‌های هوش مصنوعی